moss-character-voices-top3-captioned
收藏资源简介：
MOSS Character Voices — Top-3 per Group, Captioned (training-ready) 是一个为训练准备的语音数据集，源自LAION的`moss-character-voices-bestof64`数据集。它包含了该数据集中所有约12,900个组里每个组内根据奖励模型排名前三（排名0、1、2）的样本，总计约38,700个样本。每个样本都包含FLAC格式的音频，并附带了由LAION两套配音标注流程生成的字幕：`caption_procedural`（程序化语音标注，采用简洁的标签格式，并在词时间戳位置内联插入确认的爆发音）和`caption_llm`（综合配音标注流程，使用Gemma-4-E4B将程序化草稿重写为自然散文，同时保持爆发音位置不变）。标注格式包含一个`GENERAL:`语音描述和一个`SCRIPT:`，其中每行是一个带`(表达提示)`的句子文本，爆发音以内联`(爆发音名称)`形式出现。数据集还提供了丰富的元数据，包括目标文本`text`、转录文本`transcript`、角色`character`、语言`lang`、主题`topic`、指令`instruction`、奖励分数`reward`、组内排名`rank`、随机种子`seed`、时长`duration_s`、57维VoiceNet维度`voicenet_dims`、40种EmoNet情绪`emonet`、真实度`genuineness`、爆发音混合度`burst_blend`、Empathic-Insight性别得分`ei_gender`、性别是否被门控`gender_gated`、确认的爆发音列表`vocal_bursts`以及源数据集的奖励模型子分数`src_*`。数据集以Parquet格式分片存储（`data/train-*-of-00129.parquet`），适用于文本到语音（TTS）和音频分类等任务，并涵盖英语、德语、法语、日语和韩语。数据集遵循CC-BY-4.0许可协议。
MOSS Character Voices — Top-3 per Group, Captioned (training-ready) is a training-ready voice dataset derived from LAIONs `moss-character-voices-bestof64` dataset. It includes the top three samples per group (rank 0, 1, 2) based on a reward model from all approximately 12,900 groups in the source dataset, totaling about 38,700 samples. Each sample contains audio in FLAC format and is accompanied by captions generated by LAIONs two voice annotation pipelines: `caption_procedural` (procedural voice annotation using a concise tag format, with confirmed vocal bursts inserted inline at word timestamps) and `caption_llm` (comprehensive voice annotation pipeline that rewrites procedural drafts into natural prose using Gemma-4-E4B while preserving vocal burst positions). The annotation format includes a `GENERAL:` voice description and a `SCRIPT:` with each line as sentence text with `(expression prompts)`, and vocal bursts appear inline as `(vocal burst name)`. The dataset provides extensive metadata, including target text `text`, transcript `transcript`, character `character`, language `lang`, topic `topic`, instruction `instruction`, reward score `reward`, group rank `rank`, random seed `seed`, duration `duration_s`, 57-dimensional VoiceNet dimensions `voicenet_dims`, 40 EmoNet emotions `emonet`, genuineness `genuineness`, burst blend `burst_blend`, Empathic-Insight gender score `ei_gender`, gender gated status `gender_gated`, confirmed vocal bursts list `vocal_bursts`, and source dataset reward model sub-scores `src_*`. The dataset is stored in sharded Parquet format (`data/train-*-of-00129.parquet`), suitable for tasks like text-to-speech (TTS) and audio classification, and covers English, German, French, Japanese, and Korean. It is licensed under CC-BY-4.0.
数据集概述
MOSS Character Voices — Top-3 per Group, Captioned (training-ready) 是一个用于文本转语音和音频分类任务的训练就绪数据集。
- 来源：从
laion/moss-character-voices-bestof64数据集中筛选而来，选取了每个组（共约12,900组）中奖励模型评分最高的前3个样本（排名0/1/2），总计约38,700个样本。 - 许可协议：CC-BY-4.0。
- 语言：英语、德语、法语、日语、韩语。
- 数据规模：10,000 < n < 100,000。
- 数据格式：数据以Parquet格式分片存储，文件名为
data/train-*-of-00129.parquet。
数据字段
| 字段 | 描述 |
|---|---|
audio |
FLAC格式的音频片段 |
caption_procedural |
过程式语音字幕（包含简短标签、强度与维度，以及内联确认的发声爆发） |
caption_llm |
基于大语言模型重写的自然语言字幕（保留爆发位置，措辞更流畅） |
text、transcript |
目标文本和ASR转录文本（使用Parakeet模型） |
character、lang、topic、instruction |
生成元数据（角色、语言、主题、指令） |
reward、rank、seed、duration_s |
奖励模型评分、组内排名（0/1/2）、随机种子、音频时长（秒） |
voicenet_dims、emonet |
JSON格式的57维VoiceNet维度（0–6）和40维EmoNet情感值 |
genuineness、burst_blend、ei_gender、gender_gated |
自然度评分（0–6）、发声爆发混合度、Empathic-Insight性别（-2男性…+2女性）、性别是否被门控过滤 |
vocal_bursts |
JSON格式的确认发声爆发列表（包含标签、开始时间、结束时间、持续时间、置信度） |
src_* |
源数据集的奖励模型子评分（角色、角色情感、混合度、自然度、维度JSON、情感JSON） |
字幕管道
每个音频片段包含两种字幕：
- caption_procedural：基于过程式语音字幕管道生成，采用简洁标签形式，包含强度与维度信息，并将确认的发声爆发内联插入到词时间戳位置。
- caption_llm：基于综合语音表演注释管道，使用Gemma-4-E4B模型将过程式草稿重写为自然语言，爆发位置保持不变，措辞更流畅。
字幕格式为：GENERAL: 语音描述 + SCRIPT: 逐句文本，每句包含一个 (表演提示) 句子文本，发声爆发内联表示为 (爆发名称)。
