MohamedRashad/multilingual-tts

---
license: gpl-3.0
dataset_info:
features:
- name: text
dtype: string
- name: speaker
dtype: string
- name: languages
dtype: string
- name: audio
dtype: audio
splits:
- name: train
num_bytes: 1561588634.72
num_examples: 25540
download_size: 1548036818
dataset_size: 1561588634.72
task_categories:
- text-to-speech
language:
- ar
- en
- zh
- es
- fr
- hi
- ru
- pt
- ja
- de
- tr
- bn
- id
- ur
- vi
pretty_name: Multilingual TTS
size_categories:
- 10K<n<100K
---
# Before Anything and Everything ⚱

_In the time of writing this Dataset Card, ~**17,490**~ **18,412** civilian has been killed in Palestine (~**7,870**~ **8,000** are children and ~**6,121**~ **6,200** are women)._

**Se**ek **a**ny **n**on-**pro**fit **organi**zation **t**o **he**lp **th**em **wi**th **wh**at **y**ou **c**an (For myself, [I use Mersal](https://www.every.org/mersal/f/support-humanitarian)) 🇵🇸

## Dataset Description
The Multilingual TTS dataset is an exceptional compilation of text-to-speech (TTS) samples, meticulously crafted to showcase the richness and diversity of human languages. This dataset encompasses a variety of real-world sentences in fifteen prominent languages, carefully chosen to reflect global linguistic diversity. Each sample is accompanied by its corresponding high-quality audio output.

<style>
.image-container {
display: flex;
justify-content: center;
align-items: center;
height: 65vh;
margin: 0;
}
.image-container img {
max-width: 48%; /* Adjust the width as needed */
height: auto;
}
</style>

<div class="image-container">
<img src="https://cdn-uploads.huggingface.co/production/uploads/6116d0584ef9fdfbf45dc4d9/UX0s8S2yWSJ3NbbvmOJOi.png">
<img src="https://cdn-uploads.huggingface.co/production/uploads/6116d0584ef9fdfbf45dc4d9/zIyPCWH7Y58gLVCeIfq4n.png">
</div>

## Key Features:

1. **Language Diversity**: The dataset covers a spectrum of languages, including **Beng**ali, **Mand**arin **Chin**ese, **Turk**ish, **Hin**di, **Fre**nch, **Vietn**amese, **Portu**guese, **Span**ish, **Japa**nese, **Ger**man, **Russ**ian, **Indon**esian, **Stan**dard **Ara**bic, **Engl**ish, **a**nd **Ur**du. This wide linguistic representation ensures inclusivity and applicability to a global audience.
3. **Real-World Sentences**: Comprising 25,000 samples, the dataset mirrors authentic communication scenarios. Sentences span diverse topics, ranging from everyday conversations to informative texts and news snippets, providing a comprehensive linguistic landscape.
4. **Multilingual Sentences**: A distinctive feature of this dataset is its inclusion of sentences that seamlessly integrate multiple languages. Each sample combines at least two languages, capturing the intricate dynamics of multilingual communication and rendering the dataset particularly valuable for training and evaluating multilingual TTS systems.
5. **Audio Quality**: Special attention has been given to the audio quality of each sample. The audio outputs are meticulously designed to be clear, natural-sounding, and faithful representations of the corresponding text, ensuring a rich auditory experience.
6. **Generated by GPT-4 and elevenlabs**: The dataset is the result of a collaboration between GPT-4 and elevenlabs, combining cutting-edge language generation capabilities with domain expertise. This collaboration guarantees a high level of accuracy, coherence, and linguistic nuance in both the text and audio components.

## Potential Use Cases:

1. **Multilingual TTS Model Training**: Researchers and developers can leverage this dataset to train and refine multilingual TTS models, enhancing their proficiency across a diverse array of languages.
2. **Cross-Language Evaluation**: The dataset serves as a valuable resource for evaluating TTS systems in handling multilingual scenarios, offering a benchmark for assessing model capabilities across different languages.
3. **Language Integration Testing**: Developers working on applications requiring multilingual TTS functionality can utilize this dataset to test and optimize language integration, ensuring a seamless user experience across various linguistic contexts.

## Acknowledgments:

The creation of the Multilingual TTS dataset was made possible through the collaborative efforts of **OpenAI's GPT-4** and the expertise of **Elevenlabs Multilingual V2**. We extend our gratitude to the AI and language processing communities for their continuous support in advancing the field of multilingual TTS. This dataset stands as a significant contribution, fostering innovation and progress in language technologies.

许可证：gpl-3.0
数据集信息：
特征：
- 名称：text，数据类型：字符串（string）
- 名称：speaker，数据类型：字符串（string）
- 名称：languages，数据类型：字符串（string）
- 名称：audio，数据类型：音频（audio）
划分：
- 名称：train，数据字节数：1561588634.72，样本数量：25540
下载大小：1548036818
数据集总大小：1561588634.72
任务类别：
- 文本转语音（Text-to-Speech, TTS）
语言：
- 阿拉伯语（ar）
- 英语（en）
- 中文（zh）
- 西班牙语（es）
- 法语（fr）
- 印地语（hi）
- 俄语（ru）
- 葡萄牙语（pt）
- 日语（ja）
- 德语（de）
- 土耳其语（tr）
- 孟加拉语（bn）
- 印度尼西亚语（id）
- 乌尔都语（ur）
- 越南语（vi）
友好名称：多语言TTS
规模类别：10K<n<100K
---
# 前置声明 ⚱

在撰写此数据集卡片时，巴勒斯坦已有约**18412**名平民遇害（其中约**8000**名为儿童，约**6200**名为女性；此前统计数据分别为约17490人、7870名儿童及6121名女性）。

请寻求任何非营利组织，以尽你所能帮助他们（就我个人而言，我通过[Mersal](https://www.every.org/mersal/f/support-humanitarian)进行捐赠） 🇵🇸

## 数据集描述
多语言文本转语音（Text-to-Speech, TTS）数据集是一份悉心编撰的文本转语音样本合集，旨在展现人类语言的丰富性与多样性。本数据集收录了15种主流语言的各类真实语句，经精心甄选以彰显全球语言多样性。每一条样本均配有对应的高质量音频输出。

<style>
.image-container {
display: flex;
justify-content: center;
align-items: center;
height: 65vh;
margin: 0;
}
.image-container img {
max-width: 48%; /* Adjust the width as needed */
height: auto;
}
</style>

<div class="image-container">
<img src="https://cdn-uploads.huggingface.co/production/uploads/6116d0584ef9fdfbf45dc4d9/UX0s8S2yWSJ3NbbvmOJOi.png">
<img src="https://cdn-uploads.huggingface.co/production/uploads/6116d0584ef9fdfbf45dc4d9/zIyPCWH7Y58gLVCeIfq4n.png">
</div>

## 核心特性

1. **语言多样性**：本数据集覆盖多类语言，包括孟加拉语、普通话、土耳其语、印地语、法语、越南语、葡萄牙语、西班牙语、日语、德语、俄语、印度尼西亚语、标准阿拉伯语、英语及乌尔都语。广泛的语言覆盖确保了数据集的包容性，可适配全球多语言受众。
3. **真实场景语句**：本数据集包含25000条样本，还原了真实的沟通场景。语句涵盖日常对话、科普文本及新闻片段等多样主题，构建了全面的语言应用图景。
4. **多语言融合语句**：本数据集的一大特色是收录了可无缝融合多种语言的语句。每条样本至少包含两种语言，捕捉了多语言沟通的复杂动态，使其特别适用于多语言TTS系统的训练与评估。
5. **音频质量**：每条样本的音频质量均经过严格把控。音频输出清晰自然，忠实还原对应文本内容，带来优质的听觉体验。
6. **由GPT-4与ElevenLabs生成**：本数据集由GPT-4与ElevenLabs合作打造，融合了前沿的语言生成能力与领域专业知识。该合作确保了文本与音频组件的高准确性、连贯性及语言细节表现力。

## 潜在应用场景

1. **多语言TTS模型训练**：研究人员与开发者可利用本数据集训练并优化多语言TTS模型，提升模型在多种语言下的表现能力。
2. **跨语言评估**：本数据集可作为评估TTS系统处理多语言场景的宝贵资源，为不同语言下的模型性能评估提供基准。
3. **语言集成测试**：针对需要多语言TTS功能的应用，开发者可使用本数据集测试并优化语言集成效果，确保在不同语言环境下均能提供流畅的用户体验。

## 致谢

多语言TTS数据集的制作得益于OpenAI的GPT-4与Elevenlabs Multilingual V2的专业团队协作。我们感谢AI与语言处理社区对多语言TTS领域发展的持续支持。本数据集作为一项重要贡献，将推动语言技术领域的创新与进步。

原始信息汇总

数据集描述

Multilingual TTS数据集是一个精心编制的文本到语音（TTS）样本集合，旨在展示人类语言的丰富性和多样性。该数据集包含十五种主要语言的多种现实世界句子，精心挑选以反映全球语言多样性。每个样本都附有相应的高质量音频输出。

关键特性

1. 语言多样性：数据集涵盖了一系列语言，包括孟加拉语、普通话、土耳其语、印地语、法语、越南语、葡萄牙语、西班牙语、日语、德语、俄语、印度尼西亚语、标准阿拉伯语、英语和乌尔都语。这种广泛的语言代表性确保了包容性和全球适用性。
2. 现实世界句子：包含25,000个样本，数据集反映了真实的交流场景。句子涵盖了从日常对话到信息文本和新闻片段的广泛主题，提供了全面的语言景观。
3. 多语言句子：该数据集的一个独特特点是其包含无缝集成多种语言的句子。每个样本至少结合了两种语言，捕捉了多语言交流的复杂动态，使得该数据集对训练和评估多语言TTS系统特别有价值。
4. 音频质量：特别关注每个样本的音频质量。音频输出经过精心设计，清晰、自然且忠实于相应文本，确保了丰富的听觉体验。
5. 由GPT-4和elevenlabs生成：该数据集是GPT-4和elevenlabs合作的成果，结合了尖端的语言生成能力和领域专业知识。这种合作保证了文本和音频组件的高准确性、连贯性和语言细微差别。

潜在用例

1. 多语言TTS模型训练：研究人员和开发者可以利用该数据集训练和改进多语言TTS模型，提高其在多种语言中的熟练度。
2. 跨语言评估：该数据集作为评估TTS系统处理多语言场景的宝贵资源，提供了评估模型在不同语言中能力的基准。
3. 语言集成测试：开发需要多语言TTS功能的应用程序的开发者可以利用该数据集测试和优化语言集成，确保在各种语言环境中提供无缝的用户体验。

致谢

Multilingual TTS数据集的创建得益于OpenAI的GPT-4和Elevenlabs Multilingual V2的协作努力。我们感谢AI和语言处理社区在推进多语言TTS领域方面的持续支持。该数据集作为一个重要贡献，促进了语言技术的创新和进步。