TTS-Clean44k

Hugging Face2026-07-23 更新2026-07-24 收录

语音转文本

语音修复

数据链接：

https://huggingface.co/datasets/Scicom-intl/TTS-Clean44k 数据链接链接失效反馈

官方服务：

资源简介：

TTS-Clean44k是一个经过验证的干净、宽带语音多语言数据集，专门用于训练和评估语音修复及文本转语音（TTS）模型。该数据集作为Sidon呼叫中心语音修复任务的干净教师池而构建，其核心要求是确保语音样本的高质量，以便解码器能够准确复现。数据集中的每个话语都经过两个维度的独立验证：首先，确保原始采样率不低于44.1 kHz（通过ffprobe实际测量，不依赖元数据）；其次，使用DNSMOS P.835模型评估背景噪声MOS（bak），要求分数不低于3.644，从而保证只包含真正干净的录音。数据集包含28种不同的语言或方言配置，总计119,950个话语，总时长约208.7小时。每个配置对应一个训练分割，数据以Parquet格式存储，并附带每个话语的质量评分。数据模式包括：音频（48 kHz采样率的单声道波形）、来源（配置名称）、bak（DNSMOS背景噪声MOS）、sig（DNSMOS信号MOS）、ovrl（DNSMOS整体MOS）以及时长（秒）。长录音被分割为不超过15秒的片段，而短于4秒的话语则被保留原样。数据来源主要包括OpenSLR的高质量TTS语料库和众包语音数据集，涵盖了从英语（如英国、爱尔兰、尼日利亚、南非变体）、西班牙语（阿根廷、智利、哥伦比亚、秘鲁、波多黎各、委内瑞拉变体）到多种其他语言（如中文、巴斯克语、加泰罗尼亚语、加利西亚语、爪哇语、巽他语、泰米尔语、泰卢固语、马拉雅拉姆语、马拉地语、高棉语、尼泊尔语、古吉拉特语、卡纳达语、缅甸语、约鲁巴语等）。该数据集适用于需要高质量、低噪声语音数据的语音修复、语音增强和TTS模型开发与研究。

TTS-Clean44k is a validated, clean, wideband multilingual speech dataset specifically designed for training and evaluating speech restoration and text-to-speech (TTS) models. This dataset was constructed as a clean teacher pool for the Sidon call center speech restoration task, with the core requirement of ensuring high-quality speech samples to enable accurate reproduction by decoders. Each utterance in the dataset is independently validated across two dimensions: first, the original sampling rate must be no lower than 44.1 kHz (measured via ffprobe physically, without relying on metadata); second, the background noise MOS (bak) was evaluated using the DNSMOS P.835 model, with a required score of no less than 3.644, to ensure that only truly clean recordings are included. The dataset includes 28 distinct language or dialect configurations, totaling 119,950 utterances with an aggregate duration of approximately 208.7 hours. Each configuration corresponds to a training split, and the data is stored in Parquet format, with quality scores attached to each utterance. The data schema includes: audio (mono waveform with 48 kHz sampling rate), source (configuration name), bak (DNSMOS background noise MOS), sig (DNSMOS signal MOS), ovrl (DNSMOS overall MOS), and duration (in seconds). Long recordings are segmented into clips no longer than 15 seconds, while utterances shorter than 4 seconds are preserved as-is. The data sources primarily include high-quality TTS corpora from OpenSLR and crowdsourced speech datasets, covering a wide range of languages, from English (with variants from the UK, Ireland, Nigeria, and South Africa) and Spanish (with variants from Argentina, Chile, Colombia, Peru, Puerto Rico, and Venezuela) to numerous other languages such as Chinese, Basque, Catalan, Galician, Javanese, Sundanese, Tamil, Telugu, Malayalam, Marathi, Khmer, Nepali, Gujarati, Kannada, Burmese, Yoruba, and more. This dataset is suitable for the development and research of speech restoration, speech enhancement, and TTS models that require high-quality, low-noise speech data.

创建时间：

2026-07-12

原始信息汇总

TTS-Clean44k 数据集概述

基本信息

TTS-Clean44k 是一个面向语音恢复和文本转语音（TTS）模型训练与评估的多语言、经过验证的纯净宽带语音数据集。该数据集被用作 Sidon 呼叫中心语音恢复任务的“纯净教师池”，要求教师数据必须真正干净且全频带。

数据筛选标准

每条语音都经过独立的两轴验证：

原生采样率 ≥ 44.1 kHz — 使用 ffprobe 按文件测量，不信任来源宣传的采样率，低于 44.1 kHz 的数据被丢弃。
DNSMOS P.835 的 bak 得分 ≥ 3.644 — 来自 DNSMOS P.835 模型的背景噪声 MOS，确保只有真正干净的录音通过筛选。

数据集规模

总语言/来源配置数：28 个
总样本数：119,950 条语音
总时长：208.7 小时
数据集总大小：约 75.3 GB（根据各配置 dataset_size 累计）
总下载大小：约 61.4 GB（根据各配置 download_size 累计）
音频采样率：所有音频均为 48 kHz 单声道波形

数据质量评分（全数据集加权平均）

bak（背景噪声 MOS）：4.036
sig（信号 MOS）：3.484
ovrl（整体 MOS）：3.203

语言/来源配置详情

序号	配置名称	样本数	时长（小时）	bak	sig	ovrl
1	hifitts	19,447	30.0	4.026	3.533	3.247
2	uk_ireland_en	14,925	28.0	4.077	3.572	3.313
3	cv_zhcn	8,948	15.4	3.952	3.466	3.145
4	basque	6,907	13.5	4.043	3.521	3.230
5	galician	5,343	10.0	4.055	3.521	3.248
6	catalan	4,018	9.0	3.977	3.433	3.127
7	peruvian_es	4,991	8.8	4.052	3.423	3.154
8	south_african	5,240	8.3	3.977	3.460	3.149
9	kannada	3,542	7.6	4.045	3.436	3.165
10	gujarati	3,789	7.4	4.079	3.489	3.226
11	argentinian_es	4,362	6.8	4.077	3.520	3.246
12	colombian_es	4,105	6.8	4.052	3.404	3.144
13	chilean_es	3,755	6.6	4.056	3.424	3.160
14	tamil	3,633	6.4	4.027	3.300	3.035
15	nigerian_en	2,687	5.1	4.102	3.548	3.299
16	javanese	2,906	4.2	4.004	3.467	3.163
17	malayalam	2,470	4.1	4.034	3.367	3.095
18	aishell3	2,814	4.1	4.047	3.513	3.218
19	telugu	2,517	4.0	4.053	3.358	3.098
20	venezuelan_es	2,466	4.0	4.057	3.473	3.208
21	burmese	2,071	3.6	4.020	3.495	3.203
22	sundanese	2,116	3.5	3.999	3.443	3.140
23	khmer	2,098	3.2	4.092	3.448	3.202
24	marathi	1,400	2.8	4.088	3.433	3.186
25	yoruba	1,464	2.2	4.035	3.476	3.178
26	nepali	1,157	2.0	4.000	3.496	3.183
27	puertorico_es	516	0.9	4.050	3.443	3.169
28	cv_ta	263	0.4	3.855	3.116	2.780

数据模式

每个配置只有一个 train 分割，包含以下字段：

字段名	类型	描述
`audio`	Audio(sampling_rate=48000)	单声道波形，解码至 48 kHz
`source`	字符串	来源/配置名称
`bak`	float32	DNSMOS P.835 背景噪声 MOS（每行均 ≥ 3.644）
`sig`	float32	DNSMOS P.835 信号 MOS
`ovrl`	float32	DNSMOS P.835 整体 MOS
`duration`	float32	音频片段长度（秒）

数据处理说明

长录音被分割为 ≤ 15 秒的片段。
短录音（≥ 4 秒）保留完整。

数据来源

OpenSLR 高质量 TTS：爪哇语（41）、巽他语（44）、泰米尔语（65）、泰卢固语（66）、马拉雅拉姆语（63）、马拉地语（64）、高棉语（42）、尼泊尔语（43）、古吉拉特语（78）、卡纳达语（79）、缅甸语（80）。
OpenSLR 众包：阿根廷/智利/哥伦比亚/秘鲁/波多黎各/委内瑞拉西班牙语（61/71/72/73/74/75）、加泰罗尼亚语（69）、巴斯克语（76）、加利西亚语（77）、约鲁巴语（86）、尼日利亚英语（70）、南非英语（32）、英国及爱尔兰英语。

搜集汇总

数据集介绍

构建方式

TTS-Clean44k数据集是在语音合成与语音修复领域对高质量、多语种数据迫切需求的背景下构建的。其构建遵循严格的筛选流程：首先通过ffprobe工具逐文件校验原始音频的原生采样率，仅保留不低于44.1 kHz的样本，杜绝依赖元数据标注；随后采用DNSMOS P.835模型对通过采样率检验的音频进行质量评估，剔除背景噪声MOS（bak）低于3.644的语料，确保每条语音在信号纯净度和背景安静度上均达到高标准。最终，来自28个不同语言或来源配置的音频被整合为统一的Parquet格式存储，并附有每条语句的bak、sig、ovrl等质量评分，总计包含约119,950条、208.7小时的经过双重验证的宽带语音数据。

使用方法

使用TTS-Clean44k数据集时，可通过HuggingFace的datasets库便捷加载。用户需指定具体的配置名称（如'uk_ireland_en'或'hifitts'）来加载对应的语言子集，所有数据仅提供'train'分割。数据集默认以48 kHz采样率解码音频，并包含audio、source、bak、sig、ovrl及duration六个字段，可直接用于模型训练与评估。对于体量较大的配置（如hifitts），可采用streaming模式实现流式加载以节省内存。此外，由于每条语句均经过质量评分，研究者可依据bak、sig等指标进行低质量样本过滤或加权，以适配不同的噪声容忍度与音质要求。

背景与挑战

背景概述

TTS-Clean44k数据集由Scicom-intl团队于近期构建并发布，旨在为语音修复与文本转语音（TTS）模型提供高质量、多语种的干净语音训练与评估资源。该数据集通过严苛的双重筛选标准——即原生采样频率不低于44.1 kHz且DNSMOS P.835背景噪声MOS值不低于3.644——从多个公开语料库（如HiFiTTS、Common Voice、OpenSLR系列）中精选出约12万条语音，涵盖28种语言或方言变体，总时长约208.7小时。每条语音均附带客观质量评分，使其成为训练高质量TTS模型的理想教师池，显著推动了多语种语音合成与降噪领域的发展。

当前挑战

TTS-Clean44k所应对的核心领域挑战在于：现有公开语音数据集常混入低采样率、背景嘈杂的样本，严重影响TTS模型生成语音的自然度与清晰度，尤其对多语种任务构成严峻阻碍。构建过程中，团队需解决两大难题：其一，需对每一音频文件独立验证实际采样率，避免依赖元数据导致误判；其二，需引入DNSMOS P.835模型进行客观噪声评估，并设定严格的阈值以剔除背景噪声过高的样本，同时保证数据集规模与语种覆盖的平衡。此外，长语音片段的分割（≤15秒）与短句的保留亦需兼顾数据完整性，进一步增加了数据清洗与整理的复杂度。

常用场景

经典使用场景

在语音合成与语音增强领域，TTS-Clean44k数据集作为经过严格筛选的多语种纯净宽带语音库，其核心用途在于为文本转语音（TTS）模型提供高质量的教师信号。每个语段均通过原生采样率不低于44.1kHz及DNSMOS P.835背景噪声MOS值不低于3.644的双重验证标准，确保了语音数据的纯净度与保真度。研究者可基于该数据集训练高自然度的语音合成系统，尤其适用于零样本语音克隆、多说话人合成以及跨语种语音生成等经典任务，为生成清晰、饱满且具有高保真度的合成语音奠定了坚实的数据基础。

解决学术问题

该数据集系统性地解决了学术研究中长期存在的训练数据噪声污染与采样率不统一两大核心难题。传统TTS研究常因采集环境差异导致背景噪声混杂，严重制约合成语音的清晰度与自然度；同时，低采样率数据限制了模型对高频细节的捕捉能力，难以生成宽带级语音。TTS-Clean44k通过严格的物理采样率验证与DNSMOS客观质量评分双重过滤机制，构建了纯净、宽带且多语种覆盖的高质量基准数据集，使研究者能够在可控条件下公平比较不同语音合成与语音修复算法的性能，显著推动了无监督语音增强、多语种TTS以及低资源语音生成等方向的方法论创新。

实际应用

在实际产业应用中，TTS-Clean44k展现出广泛的应用价值，尤其适用于呼叫中心语音修复、有声读物自动生成、智能语音助手多语种扩展以及跨语种配音制作等场景。该数据集作为Sidon呼叫中心语音修复系统中的纯净教师池，支持解码器学习如何从含噪语音中还原出全频带的高质量音频，从而直接提升客服录音的听感质量。此外，其涵盖28种语言/地区的语料配置为全球化语音产品的快速落地提供了即取即用的高质量训练资源，降低了企业在不同语种语音合成系统开发中的数据采集与清洗成本。

数据集最近研究