serena-synthetic-it-27h
收藏资源简介：
这是一个用于文本转语音（TTS）训练的意大利语合成语音数据集，名为“serena-synthetic-it-27h”。数据集由Qwen3-TTS-1.7B-Base模型通过语音克隆模式生成，包含约29,500个音频片段，总时长约27.3小时（98,099秒）。所有音频均为22.05 kHz单声道16位WAV格式，经过-23 LUFS响度归一化和静音修剪。数据集中只有一个固定的合成说话人声音，以保持跨片段一致性。元数据采用Piper兼容的格式，路径和文本以竖线分隔。训练集包含26,523个片段，验证集包含2,947个片段。语料库由两部分组成：约90%来自Tatoeba意大利语句子（经改编，包括替换英文名为意大利名、编辑更正和重音修复），约10%由多个LLM（Claude Sonnet、GPT-4o、Qwen、Gemini、DeepSeek）原创生成，涵盖对话、技术和文学风格。每个片段都经过两阶段自动验证：ASR词错误率≤0.25，音素错误率≤0.30，最终平均音素错误率为0.168。数据集文件结构包括README、LICENSE（CC-BY-4.0）、report.json、两个元数据CSV文件及按子目录组织的WAV文件。该数据集可直接用于Piper TTS训练，也可通过Python/datasets库加载。所有音频均为合成生成，不涉及真实人物声音，适用于TTS模型训练和研究。
A synthetic Italian speech dataset for text-to-speech (TTS) training, named serena-synthetic-it-27h. The dataset was generated by the Qwen3-TTS-1.7B-Base model in voice cloning mode, containing approximately 29,500 audio clips totaling about 27.3 hours (98,099 seconds). All audio is in 22.05 kHz mono 16-bit WAV format, normalized to -23 LUFS loudness and trimmed for silence. The dataset features a single fixed synthetic speaker voice for consistency across clips. Metadata is in Piper-compatible format with pipe-separated paths and text. The training set has 26,523 clips, and the validation set has 2,947 clips. The corpus consists of about 90% from Tatoeba Italian sentences (adapted with English names replaced by Italian names, editorial corrections, and accent fixes) and about 10% originally generated by multiple LLMs (Claude Sonnet, GPT-4o, Qwen, Gemini, DeepSeek) covering conversational, technical, and literary styles. Each clip underwent two-stage automatic validation: ASR word error rate ≤ 0.25 and phoneme error rate ≤ 0.30, with a final average phoneme error rate of 0.168. The dataset file structure includes README, LICENSE (CC-BY-4.0), report.json, two metadata CSV files, and WAV files organized in subdirectories. The dataset can be used directly for Piper TTS training or loaded via the Python/datasets library. All audio is synthetically generated, involving no real human voices, suitable for TTS model training and research.
数据集概述：serena-synthetic-it-27h
这是一个用于文本转语音（TTS）训练的人工合成意大利语单说话人语音数据集，采用 CC-BY-4.0 许可协议发布。数据集由 Qwen3-TTS-1.7B-Base 模型通过声音克隆模式生成，格式为 Piper 兼容，适合直接用于 Piper 等 TTS 模型的训练。
基本信息
| 属性 | 值 |
|---|---|
| 音频片段数 | 训练集 26,523 条 / 验证集 2,947 条，共约 29.5k 条 |
| 总时长 | 约 27.3 小时（98,099 秒） |
| 采样率 | 22,050 Hz 单声道，16-bit WAV |
| 响度 | 归一化至 -23 LUFS，已做静音修剪 |
| 语言 | 意大利语 |
| 说话人 | 1 个（单一固定合成参考音色，保证跨片段一致性） |
| 元数据格式 | `wavs/000000-008999/NNNNNN.wav |
生成方式与来源
- 生成工具：使用 qwen3-tts-dataset-generator 端到端流水线（生成→验证→发音检查→归一化→发布）。
- 生成模型：Qwen3-TTS-1.7B-Base（
Qwen/Qwen3-TTS-12Hz-1.7b-Base），bfloat16 精度，通过 ICL（上下文学习）从固定参考片段进行声音克隆，禁用了 x-vector-only。 - 指令："Read in a calm, neutral tone."
- 采样参数：
temperature=0.4，top_k=50，top_p=1.0，repetition_penalty=1.05，max_new_tokens=512，seed=42，do_sample=true。
语料构成与来源标注
句子语料共 29,475 句，由两部分混合而成：
- 约 90% 改编自 Tatoeba 句子（意大利语，CC-BY 2.0 FR，源自官方导出文件），进行了改编处理：将英语/美国常见人名替换为意大利语人名，并进行了编辑性修正和重音修复。属于衍生/改编作品，并非逐字复制。
- 约 10% 为 LLM 原创句子，涵盖会话、技术和文学等语域，专门为语料库撰写（使用的模型：Claude Sonnet、GPT-4o、Qwen、Gemini、DeepSeek；有一个生产批次在质量审查后被排除）。
语料库使用确定性 seed=42 洗牌组装；人名替换和 LLM 批次验证报告包含在 qwen3-tts-dataset-generator 项目中。
质量控制与验证
每个音频片段均通过两阶段自动化验证：
- 单词级：ASR（faster-whisper
large-v3）词错误率必须 ≤ 0.25。 - 音素级：使用 espeak-ng 音素识别（
facebook/wav2vec2-xlsr-53-espeak-cv-ft）与音素化参考文本进行比对，音素错误率（PER）必须 ≤ 0.30。
最终语料库的音素 PER 分布统计（n = 29,475）：
| 统计量 | PER |
|---|---|
| 平均值 | 0.168 |
| 中位数 | 0.167 |
| p75 | 0.208 |
| p90 | 0.247 |
文件结构
README.md LICENSE CC-BY-4.0（见上方来源标注部分） report.json 生成/报告元数据（模型、采样、统计） metadata_train.csv | path|transcript（26,523 行） metadata_val.csv | path|transcript（2,947 行） wavs/000000-008999/ | 8,996 个片段 wavs/009000-017999/ | 9,000 个片段 wavs/018000-026999/ | 8,999 个片段 wavs/027000-029474/ | 2,475 个片段
音频文件分布在最多 9,000 个文件的子目录中，以满足 Hugging Face Hub 对单目录提交文件数不超过 10,000 的限制。
metadata_*.csv 中的路径相对于仓库根目录，因此该文件夹可直接作为 Piper 数据集目录使用。
使用方法
- Piper 训练：元数据格式为 Piper 原生格式（
wavs/NNNNNN.wav|transcript）。训练时将拆分文件合并为单个metadata.csv，并将仓库根目录作为--dataset-dir传入。详见 Piper 文档。 - Python / datasets 库加载：布局为纯文件而非
AudioFolder，需手动加载，示例代码如下：
python import pandas as pd from datasets import Dataset, Audio
df = pd.read_csv("hf://datasets/committa/serena-synthetic-it-27h/metadata_train.csv", sep="|", names=["audio", "text"]) ds = Dataset.from_pandas(df).cast_column("audio", Audio(sampling_rate=22050))
音频样本
- 样本 1：
https://huggingface.co/datasets/committa/serena-synthetic-it-27h/resolve/main/wavs/000000-008999/000000.wav - 样本 2：
https://huggingface.co/datasets/committa/serena-synthetic-it-27h/resolve/main/wavs/009000-017999/012345.wav - 样本 3：
https://huggingface.co/datasets/committa/serena-synthetic-it-27h/resolve/main/wavs/018000-026999/021234.wav
伦理考虑
所有音频均为合成内容：由文本转语音模型输出，不复制任何真实人物的声音。不存在同意问题，但需注意录音可能被用于构建声音克隆工具，应妥善对待该数据集。
许可证
数据集以 CC-BY-4.0 发布（见 LICENSE 文件）。来源标注：
- 音频：由流水线生成，版权归数据集作者所有。
- 约 90% 的文本：改编自 Tatoeba 句子（CC-BY 2.0 FR，https://tatoeba.org），经过修改（人名替换、修正、重音）。
- 约 10% 的文本：LLM 原创句子，版权归数据集作者所有。
