hon9kon9ize/commonvoice_16_1_bert_vits2

---
license:
- cc0-1.0
language:
- yue
---

# Cantonese Common Voice 16.1 for Bert-VITS2 fine tuning format

This dataset contains 14.5 hours of validated speech data in Cantonese (yue and zh-hk) from the Common Voice project, but with some cleansing and fixing of common Chinese characters, and used facebook/seamless-m4t-v2-large to cross check the data. The dataset is in the format required for fine-tuning the [Bert-VITS2](https://github.com/fishaudio/Bert-VITS2).

For more detail of cleansing, fixing and filtering, please refer to the [notebook](https://colab.research.google.com/drive/1qpRBtdz0KzyjNUmmJ1CmQ29yaBwrACC3).

## Data format

```
cv_00000.wav|SPK1887|ZH|每次等一兩秒先有內容
cv_00001.wav|SPK1887|ZH|周潤發同任達華喺度鬧緊交呀
cv_00002.wav|SPK1887|ZH|牛脷炸雞真講究
cv_00003.wav|SPK1887|ZH|要買鬼妹同日本妹嘅，唔好買其他，理由下面再講。
cv_00004.wav|SPK1887|ZH|仲話自己開心關你蛋治
cv_00005.wav|SPK1887|ZH|自己玩玩下都無哂癮
cv_00006.wav|SPK1887|ZH|即刻轉身射個三分波呀
```

## Citation

Please cite the following paper when using this dataset:

```
@inproceedings{commonvoice:2020,
author = {Ardila, R. and Branson, M. and Davis, K. and Henretty, M. and Kohler, M. and Meyer, J. and Morais, R. and Saunders, L. and Tyers, F. M. and Weber, G.},
title = {Common Voice: A Massively-Multilingual Speech Corpus},
booktitle = {Proceedings of the 12th Conference on Language Resources and Evaluation (LREC 2020)},
pages = {4211--4215},
year = 2020
}
```

许可证：
- CC0 1.0
语言：
- 粤语（yue）

# 适配Bert-VITS2微调格式的粤语通用语音（Common Voice）16.1数据集

本数据集源自通用语音（Common Voice）项目，收录14.5小时经校验的粤语语音数据（涵盖yue与zh-hk两种语种标识）。数据集已完成数据清洗、通用汉字规范化处理，并通过Facebook/Seamless-M4T-V2-Large模型完成跨校验。本数据集采用适配Bert-VITS2微调任务的标准格式。

有关数据清洗、规范化与筛选的详细说明，请参阅配套notebook：https://colab.research.google.com/drive/1qpRBtdz0KzyjNUmmJ1CmQ29yaBwrACC3。

## 数据格式

cv_00000.wav|SPK1887|ZH|每次等一兩秒先有內容
cv_00001.wav|SPK1887|ZH|周潤發同任達華喺度鬧緊交呀
cv_00002.wav|SPK1887|ZH|牛脷炸雞真講究
cv_00003.wav|SPK1887|ZH|要買鬼妹同日本妹嘅，唔好買其他，理由下面再講。
cv_00004.wav|SPK1887|ZH|仲話自己開心關你蛋治
cv_00005.wav|SPK1887|ZH|自己玩玩下都無哂癮
cv_00006.wav|SPK1887|ZH|即刻轉身射個三分波呀

## 引用说明

请在使用本数据集时引用以下文献：

@inproceedings{commonvoice:2020,
author = {Ardila, R. and Branson, M. and Davis, K. and Henretty, M. and Kohler, M. and Meyer, J. and Morais, R. and Saunders, L. and Tyers, F. M. and Weber, G.},
title = {Common Voice: A Massively-Multilingual Speech Corpus},
booktitle = {Proceedings of the 12th Conference on Language Resources and Evaluation (LREC 2020)},
pages = {4211--4215},
year = 2020
}

原始信息汇总

数据集概述

数据集名称

Cantonese Common Voice 16.1 for Bert-VITS2 fine tuning format

数据集内容

• 语言: 粤语（yue 和 zh-hk）
• 数据量: 14.5小时经过验证的语音数据
• 数据处理: 包含对常见中文汉字的清洗和修正，并使用facebook/seamless-m4t-v2-large进行数据交叉检查
• 用途: 用于fine-tuning Bert-VITS2

数据格式

• 数据以.wav文件形式存储，每条记录包含音频文件名、说话人ID、语言标识和语音内容文本。

引用信息

• 引用文献:

  @inproceedings{commonvoice:2020, author = {Ardila, R. and Branson, M. and Davis, K. and Henretty, M. and Kohler, M. and Meyer, J. and Morais, R. and Saunders, L. and Tyers, F. M. and Weber, G.}, title = {Common Voice: A Massively-Multilingual Speech Corpus}, booktitle = {Proceedings of the 12th Conference on Language Resources and Evaluation (LREC 2020)}, pages = {4211--4215}, year = 2020 }

搜集汇总

数据集介绍

构建方式

在语音合成技术蓬勃发展的背景下，hon9kon9ize/commonvoice_16_1_bert_vits2数据集的构建体现了对高质量粤语语音数据的精细化追求。该数据集源自Common Voice项目中的粤语（yue及zh-hk）已验证语音，经过精心筛选与清洗，保留了约14.5小时的纯净音频。构建过程中，不仅修正了常见中文字符的标注问题，还引入了facebook/seamless-m4t-v2-large模型进行交叉验证，以确保文本与语音内容的高度一致性。最终，数据被整理为适配Bert-VITS2模型微调的特定格式，为后续研究奠定了坚实基础。

特点

该数据集的核心特点在于其高度的专业性与针对性。作为专为Bert-VITS2模型微调设计的粤语语音库，它提供了标准化的数据接口，每条样本均包含音频文件路径、说话人标识、语言代码及对应文本，极大简化了模型训练的数据预处理流程。数据集经过严格的质量控制，通过自动化与人工结合的方式清洗了原始语料中的噪声与错误，确保了语音内容的清晰度与文本标注的准确性。其聚焦于粤语这一特定方言，为语音合成领域的方言研究提供了宝贵的资源。

使用方法

在语音合成模型训练的应用场景中，该数据集的使用方法清晰而高效。研究人员可直接利用其提供的结构化数据格式，将音频文件与对应文本及元数据导入Bert-VITS2等语音合成框架进行微调训练。数据集的标准化设计省去了复杂的格式转换步骤，用户可专注于模型架构与参数的优化。通过调用数据集中已对齐的音频-文本对，能够有效训练模型学习粤语的音素、韵律及声学特征，从而生成自然流畅的粤语合成语音，推动方言语音技术的前沿发展。

背景与挑战

背景概述

随着语音合成技术的飞速发展，高质量、多语言的语音数据集成为推动该领域进步的关键。Common Voice项目由Mozilla基金会于2020年发起，旨在构建一个大规模、开源的语音语料库，以支持语音识别与合成研究。本数据集基于Common Voice的粤语子集，由hon9kon9ize等研究人员于2024年精心整理，专门适配Bert-VITS2模型的微调需求。其核心研究问题在于解决低资源语言——粤语的语音合成数据稀缺性，通过数据清洗与校验，提升了语料的准确性与可用性，为方言语音技术的发展提供了重要支撑。

当前挑战

在语音合成领域，粤语作为低资源语言，面临语音数据匮乏、标注一致性差等固有挑战。本数据集针对这些问题，通过字符校正与跨模型验证，力求提升语料质量。然而，构建过程中仍存在多重困难：一是粤语书写变体繁多，字符标准化处理复杂；二是语音与文本对齐需依赖外部模型，可能引入误差；三是数据规模有限，仅14.5小时的验证语音，难以覆盖粤语丰富的声调与口语变体。这些挑战制约了模型在真实场景中的泛化能力，亟待更全面的数据扩充与质量控制。

常用场景

经典使用场景

在语音合成技术领域，粤语作为全球使用人口众多的方言之一，其语音资源的稀缺性长期制约着相关模型的发展。该数据集专为Bert-VITS2模型的微调而设计，通过提供经过清洗和校验的粤语语音-文本配对数据，为研究人员构建高质量、自然流畅的粤语语音合成系统奠定了坚实基础。其经典使用场景集中于语音合成模型的训练与优化，能够有效提升合成语音在韵律、音色和自然度方面的表现。

实际应用

超越纯学术探索，该数据集孕育的技术在现实世界中具有广泛的应用潜力。基于其训练的粤语语音合成模型，可被集成到智能客服、有声读物制作、导航播报、虚拟助手及各类娱乐媒体产品中，为粤语使用者提供更亲切、更精准的语音交互体验。特别是在教育、文化传承和公共服务领域，高质量的粤语语音输出能够有效弥合数字鸿沟，增强信息服务的包容性与可达性。

衍生相关工作

围绕该数据集及其构建范式，已催生了一系列富有影响力的后续研究与实践。这些工作不仅局限于对Bert-VITS2等特定架构的深入优化，更延伸至多语言语音合成模型的适配、低资源语音数据增强方法的创新，以及语音合成技术在特定垂直领域（如戏曲、方言保护）的应用探索。这些衍生工作共同丰富了语音技术生态，并为处理其他方言或小语种提供了可复制的技术路径与宝贵经验。