Humaneness-Voice-Large-1.2-Alpha-Demo-Audio

Humaneness Voice Large 1.2 Alpha: listening audio 是一个面向文本到语音（text-to-speech）与声音表演聆听演示的数据集/发布物，许可为 CC BY 4.0。它包含 7 个新撰写的虚构表演场景，覆盖英语、德语、荷兰语、法语和西班牙语（en、de、nl、fr、es）五种语言。每个案例具有两种条件：仅提供 prompt，或提供 prompt 并附加一个不同的说话人参考。数据集中包含 70 条选中的模型预测以及 5 个输入参考片段。每个场景的目标时长为 34.8 秒；实际时长、随机种子、完整 prompt 和选择诊断信息记录在 scenes.json 与 predictions.json 中。筛选规则为：如果首次生成不在 30–40 秒范围内，最多再尝试两个确定性种子；展示首个时长有效的结果，否则展示时长最接近的结果。该过程仅按持续时间进行筛选，不是基于 MOS、WER 或奖励的选择；所有尝试（包括未选中结果）都保留在 all_attempts.tar 中，且没有片段被裁剪或时间拉伸来掩盖时长不达标。文件方面，audio/ 目录包含用于浏览器流式播放的独立 128 kbps 单声道 MP3；selected_audio.tar 包含相同的选中音频、元数据以及 12 码本 MOSS-v2 数组；all_attempts.tar 包含每个候选及其 codec 数组和 JSON。编码形式为每 80 毫秒帧 12 个索引，即 150 索引/秒。5 个参考片段是来自公开合成 Gemini 语料 laion/german-english-voice-acting-challenges 的经编解码重建的裁剪片段，同样为 CC BY 4.0；references.json 保留源 UID、提供方说话人、时长和署名信息。参考片段是输入，不是模型预测，也不是原始无损录音；其他脚本和预测是本次发布中新创作的产物。CC BY 4.0 要求署名 LAION contributors、Humaneness Voice Large 1.2 Alpha、2026，并对参考片段署名其链接的源语料；使用时需尊重上游条款和人格权。这些样例是实验性聆听演示，不是具有统计代表性的质量基准，也不是模仿工具。