AnhTuan89/dolly-audio-1000h-vietnamese

---
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
dataset_info:
features:
- name: audio_filename
dtype: string
- name: text
dtype: string
- name: voice_id
dtype: string
- name: audio
dtype:
audio:
decode: false
splits:
- name: train
num_bytes: 165955597080
num_examples: 664125
download_size: 157800059320
dataset_size: 165955597080
language:
- vi
tags:
- vietnamese
- synthetic
- audio
- tts
size_categories:
- 100K<n<1M
---
# *Dolly-Audio: Vietnamese Multi-Speaker High-Quality Speech Corpus*

## *Dataset Summary*

*Dolly-Audio* is a large-scale, high-quality Vietnamese speech corpus created by the *Dolly AI Team*.
Inspired by Dolly, the world’s first cloned mammal, the project aims to advance research in Vietnamese speech synthesis, speech recognition, and voice modeling.

This release provides nearly *1,000 hours of professionally cleaned audio*, featuring *152 speakers* across different Vietnamese regions and speaking styles. Text transcripts span a wide variety of domains to ensure linguistic diversity and model robustness.

---

## *Key Features*

* ~1,000 hours of high-quality Vietnamese speech
* 152 multi-region speakers with diverse accents
* Cleaned, noise-free audio; no background music
* Sentence-level boundary trimming for natural prosody
* Rich transcript domains (news, entertainment, education, conversational, etc.)
* Estimated *near-zero WER (≈ 0%)* from manual sampling
* Suitable for TTS, ASR, voice cloning, and speech research

---

## *Intended Use*

The dataset is ideal for:

* Multi-speaker text-to-speech (TTS)
* Automatic speech recognition (ASR)
* Voice cloning and speaker adaptation
* Prosody modeling
* Linguistic and phonetic research

Commercial use is *not permitted* under the license.

---

## *Usage Restrictions*

* Non-commercial *research use only*
* Redistribution must comply with *CC-BY-NC-SA-4.0*
* Users must verify dataset suitability for their research task
* Institutional email required for access approval

---

## *Citation*

If you use Dolly-Audio in your research, please credit the creators:

*Nguyen Vinh Huy* — [[e-mail]](mailto:[e-mail])
*Nguyen Dinh Thuan* — [[e-mail]](mailto:[e-mail])

@dataset{dolly_audio_2025,
title = {Dolly-Audio: Vietnamese Multi-Speaker High-Quality Speech Corpus},
author = {Nguyen, Vinh Huy and Nguyen, Dinh Thuan},
year = {2025},
publisher = {Dolly AI Team},
howpublished = {\url{https://huggingface.co/datasets/Dolly-AI/Dolly-Audio}},
note = {Released under CC-BY-NC-SA-4.0. Research use only.}
}

---

## *Contact*

For access requests or inquiries, please contact the maintainers via the emails above.

配置项：
- 配置名称：default
数据文件：
- 数据集划分：train
文件路径：data/train-*
数据集信息：
特征：
- 名称：audio_filename（音频文件名）
数据类型：字符串
- 名称：text（文本）
数据类型：字符串
- 名称：voice_id（说话人ID）
数据类型：字符串
- 名称：audio（音频）
数据类型：
audio：
解码：false
数据集划分：
- 划分名称：train
数据字节数：165955597080
样本数量：664125
下载大小：157800059320
数据集总大小：165955597080
语言：
- vi（越南语）
标签：
- 越南语（vietnamese）
- 合成语音（synthetic）
- 音频（audio）
- 文本到语音合成（Text-to-Speech, TTS）
样本量范围：
- 100K<n<1M

# Dolly-Audio：越南语多说话人高质量语音语料库

## 数据集概述
*Dolly-Audio* 是由 *Dolly AI 团队* 打造的大规模高质量越南语语音语料库。本项目以全球首只克隆哺乳动物多莉（Dolly）命名，旨在推动越南语语音合成、语音识别与说话人建模领域的研究进展。

本次发布的语料包含近1000小时经过专业降噪处理的音频，涵盖来自越南不同地区、具备多样说话风格的152位说话人。文本转录覆盖多元领域，以保障语言多样性与模型鲁棒性。

## 核心特性
- 约1000小时高质量越南语语音
- 152位来自多地区、口音各异的说话人
- 经降噪处理的无噪音频，无背景音乐干扰
- 句子级边界裁剪，确保自然的韵律表现
- 丰富的转录文本领域（涵盖新闻、娱乐、教育、日常对话等）
- 经人工抽样评估，词错误率（Word Error Rate, WER）接近0%（≈0%）
- 适用于文本到语音合成（Text-to-Speech, TTS）、自动语音识别（Automatic Speech Recognition, ASR）、说话人克隆及语音研究领域

## 适用场景
本数据集适用于：
- 多说话人文本到语音合成（TTS）
- 自动语音识别（ASR）
- 说话人克隆与说话人适配
- 韵律建模
- 语言学与语音学研究

根据授权协议，禁止商业使用。

## 使用限制
- 仅可用于非商业性研究用途
- 重新分发需遵循 CC-BY-NC-SA-4.0 协议
- 用户需自行验证数据集是否适配自身研究任务
- 申请获取数据集需提供机构邮箱以通过审核

## 引用格式
若您在研究中使用 Dolly-Audio 数据集，请引用以下创作者：
*Nguyen Vinh Huy* — [[e-mail]](mailto:[e-mail])
*Nguyen Dinh Thuan* — [[e-mail]](mailto:[e-mail])

bibtex
@dataset{dolly_audio_2025,
title = {Dolly-Audio: Vietnamese Multi-Speaker High-Quality Speech Corpus},
author = {Nguyen, Vinh Huy and Nguyen, Dinh Thuan},
year = {2025},
publisher = {Dolly AI Team},
howpublished = {url{https://huggingface.co/datasets/Dolly-AI/Dolly-Audio}},
note = {Released under CC-BY-NC-SA-4.0. Research use only.}
}

## 联系方式
如需申请数据集访问或咨询相关问题，请通过上述邮箱联系维护人员。