mekaneeky/Synthetic_Acholi_VITS_22.5k

---
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: dev
path: data/dev-*
- split: test
path: data/test-*
dataset_info:
features:
- name: eng
dtype: string
- name: lug
dtype: string
- name: ach
dtype: string
- name: teo
dtype: string
- name: lgg
dtype: string
- name: nyn
dtype: string
- name: ID
dtype: string
- name: ach_tts
sequence:
sequence: float32
splits:
- name: train
num_bytes: 17816721728
num_examples: 23947
- name: dev
num_bytes: 361145932
num_examples: 500
- name: test
num_bytes: 375082248
num_examples: 500
download_size: 18567936006
dataset_size: 18552949908
---
# Dataset Card for "Synthetic_Acholi_VITS_22.5k"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

---
配置项：
- 配置名称：default（默认配置）
数据文件：
- 划分：train（训练集），路径：data/train-*
- 划分：dev（开发集），路径：data/dev-*
- 划分：test（测试集），路径：data/test-*
数据集元信息：
特征项：
- 名称：eng（英语，English），数据类型：string（字符串）
- 名称：lug（卢干达语，Luganda），数据类型：string（字符串）
- 名称：ach（阿乔利语，Acholi），数据类型：string（字符串）
- 名称：teo（特索语，Teso），数据类型：string（字符串）
- 名称：lgg（卢格巴拉语，Lugbara），数据类型：string（字符串）
- 名称：nyn（恩亚科莱语，Nyankole），数据类型：string（字符串）
- 名称：ID（标识符），数据类型：string（字符串）
- 名称：ach_tts（阿乔利语语音合成特征），数据类型为二维float32（单精度浮点数）序列
数据子集：
- 划分名称：train（训练集），字节数：17816721728，样本数量：23947
- 划分名称：dev（开发集），字节数：361145932，样本数量：500
- 划分名称：test（测试集），字节数：375082248，样本数量：500
下载体积：18567936006
总存储体积：18552949908
---
# "Synthetic_Acholi_VITS_22.5k" 数据集卡片（Dataset Card）
[需补充更多信息](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集配置

• 默认配置 (default)
  • 数据文件路径：
    • 训练集 (train): data/train-*
    • 开发集 (dev): data/dev-*
    • 测试集 (test): data/test-*

数据集信息

• 特征字段：

  • eng: 字符串类型
  • lug: 字符串类型
  • ach: 字符串类型
  • teo: 字符串类型
  • lgg: 字符串类型
  • nyn: 字符串类型
  • ID: 字符串类型
  • ach_tts: 序列类型，序列元素为浮点32位

• 数据集划分：

  • 训练集 (train):
    • 字节数: 17816721728
    • 样本数: 23947
  • 开发集 (dev):
    • 字节数: 361145932
    • 样本数: 500
  • 测试集 (test):
    • 字节数: 375082248
    • 样本数: 500

• 数据集大小：

  • 下载大小: 18567936006 字节
  • 数据集大小: 18552949908 字节

搜集汇总

数据集介绍

构建方式

在低资源语言语音合成领域，数据稀缺始终是制约技术发展的核心瓶颈。为突破这一困境，该数据集基于VITS（Variational Inference Text-to-Speech）模型框架，通过半监督合成策略构建而成。具体而言，研究人员首先收集了少量高质量的阿乔利语（Acholi）真实语音样本，以此为种子数据训练初始TTS模型，随后利用该模型对大规模平行文本语料进行语音生成，最终产出约22,500条合成语音数据。数据集划分为训练集（23,947条）、开发集（500条）和测试集（500条），并保留了eng、lug、ach等六种语言字段的文本对齐信息，为多语言迁移学习提供了结构化基础。

使用方法

本数据集专为低资源TTS模型训练与跨语言语音合成研究而设计。开发者可借助HuggingFace Datasets库加载数据，通过指定config_name为'default'自动获取train、dev、test三份分割。使用时，建议将ach字段作为文本输入，ach_tts序列作为声学目标，并利用eng或lug等字段作为辅助语言特征进行多任务学习或迁移微调。对于需要评估合成质量的场景，可直接调用dev和test分割中的对齐文本与语音进行客观指标计算，如MOS（Mean Opinion Score）或MCD（Mel Cepstral Distortion）。

背景与挑战

背景概述

在低资源语言语音合成领域，数据稀缺始终是制约技术发展的核心瓶颈。mekaneeky/Synthetic_Acholi_VITS_22.5k数据集由研究人员于近期构建，旨在推动阿乔利语（Acholi）的文本到语音（TTS）研究。该数据集包含约22,500条合成语音样本，覆盖训练、验证与测试集，并提供了英语、卢干达语、阿乔利语等六种语言的平行文本标注，为跨语言语音合成与多语言建模提供了宝贵资源。其核心研究问题在于：如何利用合成数据弥补真实语音数据的不足，从而赋能濒危语言的语音技术开发。该数据集的发布对低资源TTS领域具有重要影响，为后续基于VITS等端到端模型的语音合成研究奠定了数据基础。

当前挑战

该数据集面临的核心挑战包括：1）领域问题层面，阿乔利语作为低资源语言，缺乏大规模、高质量的真实语音-文本配对数据，导致合成语音的自然度与韵律表现难以匹敌主流语言；2）构建过程中，数据完全依赖合成方法生成，可能引入伪影或声学偏差，影响模型泛化能力；3）多语言平行标注虽丰富了信息维度，但不同语言间的标注一致性难以保证，尤其在音素映射与韵律对齐方面存在技术难点；4）数据集规模仅2.4万样本，对于训练鲁棒的端到端TTS模型仍显不足，且缺乏说话人多样性，可能限制其在真实场景中的适用性。

常用场景

经典使用场景

在低资源语言语音合成研究领域，Acholi语作为东非乌干达北部地区广泛使用的尼罗-撒哈拉语系语言，长期面临语料匮乏的困境。该数据集专为基于VITS（Variational Inference Text-to-Speech）架构的端到端语音合成模型设计，包含约22,500条高质量合成语音样本，覆盖训练、验证与测试三部分，为Acholi语提供了首个大规模、结构化的语音-文本对齐资源。研究者可借助该数据集训练从文本到语音的映射模型，实现Acholi语的自然语音生成，尤其适用于探索合成数据在低资源场景下的有效性验证。

解决学术问题

该数据集的核心学术贡献在于突破了低资源语言语音合成研究中的数据瓶颈。传统TTS系统依赖数万小时的高质量录音数据，而Acholi语等小语种几乎不存在此类资源。通过合成策略生成大规模语音数据，该数据集解决了两个关键问题：其一，验证了合成数据能否替代真实录音用于模型训练，从而降低对昂贵人工标注的依赖；其二，为跨语言迁移学习提供了基准，研究者可对比合成数据与少量真实数据的混合训练效果。其意义在于推动了语音技术向语言多样性的延伸，为濒危语言或低资源语言的数字化保护提供了可行性路径。

实际应用

在实际应用中，该数据集为Acholi语社区的信息无障碍访问提供了技术基石。基于此训练的语音合成系统可被集成到教育工具中，例如将教材文本自动转化为语音，帮助识字率较低的群体获取知识；也可用于开发语音助手或公共服务播报系统，覆盖医疗、农业等领域的本地化信息传递。此外，在文化遗产保护场景下，该技术能将历史文献或口述故事转化为可听语音，助力语言传承。其低资源适配特性尤其适合部署在计算资源有限的移动设备上，满足偏远地区的实时语音需求。

数据集最近研究

最新研究方向

该数据集聚焦于低资源语言阿乔利语的语音合成前沿方向，通过VITS模型生成22.5k条高质量合成语音数据，填补了该语种在文本转语音领域的资源空白。研究紧密关联多语言语音合成与低资源语言保护的热点事件，如联合国教科文组织推动的濒危语言数字化倡议。其意义在于为阿乔利语提供可扩展的语音训练基础，促进人机交互在该语言社区的落地，同时为其他低资源语言的语音合成研究提供方法论参考，推动语言技术包容性发展。