yigagilbert/synthetic-parallel-external
收藏资源简介：
这是一个合成的平行语音数据集，专为卢干达语和英语之间的语音到语音翻译设计。它通过Hibiki-Zero微调流程生成，使用翻译模型（Sunbird/translate-nllb-3.3b-salt）和文本转语音模型（Sunbird/orpheus-3b-tts-multilingual）来创建语音对。数据集包含来自多个来源的转录本（如afrispeech-200、combined-audio-eng和cv24-lug-eng），并经过后处理步骤，包括静音修剪、时长过滤和语音活动检测。数据模式包括卢干达语和英语的音频剪辑、转录文本、说话人ID、时长信息以及来源数据集标识。该数据集支持多种说话人，并用于语音控制应用。
language: - 英语（en） - 卢干达语（lug） license: CC BY 4.0（知识共享署名4.0协议） task_categories: - 自动语音识别 - 机器翻译 pretty_name: 合成并行EN-LG（外部版） --- # 合成并行英卢双向语料库——外部版 本数据集为用于卢干达语（Luganda）-英语（English）语音转语音翻译的可控语音合成并行语料库，由Hibiki-Zero微调流水线生成。 ## 生成流程 | 组件 | 所用模型 | |-----------|-------| | 翻译模型 | `Sunbird/translate-nllb-3.3b-salt` | | 文本转语音（Text-to-Speech, TTS） | `Sunbird/orpheus-3b-tts-multilingual` | **英语发音人**：`salt_eng_0001, salt_eng_0002, salt_eng_0003` **卢干达语（Luganda）发音人**：`salt_lug_0001, waxal_lug_0001, waxal_lug_0002, waxal_lug_0003, waxal_lug_0004, waxal_lug_0005, waxal_lug_0007` **发音人采样策略**：每个文本对采样N个发音人，N ∈ {1 (70%), 2 (20%), 3 (10%)}。 ## 源数据集（仅保留转录文本，源音频已丢弃） - `evie-8/afrispeech-200`（子集：`default`，语言：英语（en）） - `yigagilbert/combined-audio-eng`（子集：`default`，语言：英语（en）） - `yigagilbert/cv24-lug-eng`（子集：`default`，语言：英语（en）） ## 后处理流程 - 对所有音频片段执行基于Silero与能量的语音活动检测（Voice Activity Detection, VAD）的静音剪切 - 时长过滤：卢干达语（Luganda）1.5–30.0 s，英语（English）1.0–30.0 s - 时长比例过滤：0.3–4.0 - 语音活跃度过滤：≥ 0.35 - 采样率：24000 Hz（单声道，float32 → PCM-16 WAV） ## 数据字段规范 | 字段名 | 数据类型 | 字段说明 | |--------|------|-------------| | `audio_lug` | 音频（Audio） | 卢干达语（Luganda）合成音频片段 | | `audio_eng` | 音频（Audio） | 英语（English）合成音频片段 | | `text_lug` | 字符串 | 卢干达语（Luganda）转录文本 | | `text_eng` | 字符串 | 英语（English）转录文本 | | `speaker_lug` | 字符串 | 卢干达语（Luganda）合成所用的Orpheus发音人ID | | `speaker_eng` | 字符串 | 英语（English）合成所用的Orpheus发音人ID | | `src_dur_s` | 浮点数 | VAD剪切后卢干达语（Luganda）音频片段时长（单位：秒） | | `tgt_dur_s` | 浮点数 | VAD剪切后英语（English）音频片段时长（单位：秒） | | `dur_ratio` | 浮点数 | 目标/源音频时长比例 | | `src_speech_ratio` | 浮点数 | VAD检测到的卢干达语（Luganda）语音占比 | | `tgt_speech_ratio` | 浮点数 | VAD检测到的英语（English）语音占比 | | `source_dataset` | 字符串 | 原始Hugging Face数据集仓库名称 | | `source_subset` | 字符串 | 原始数据集子集/配置名称 | ## 失败日志 经3次重试仍未通过语音合成（Text-to-Speech, TTS）或后处理流程的样本行，将被记录至：[https://huggingface.co/datasets/yigagilbert/synthetic-parallel-external/resolve/main/failure_manifest.jsonl](https://huggingface.co/datasets/yigagilbert/synthetic-parallel-external/resolve/main/failure_manifest.jsonl)
