| --- |
| language: |
| - vi |
| task_categories: |
| - text-to-speech |
| - automatic-speech-recognition |
| size_categories: |
| - 10K<n<100K |
| tags: |
| - vietnamese |
| - tts |
| - speech |
| - phonemized |
| - multi-speaker |
| license: apache-2.0 |
| --- |
| |
| # pnnbao-ump/VieNeu-TTS-140h |
|
|
| ## Mô tả Dataset |
|
|
| A high-quality Vietnamese Text-to-Speech (TTS) dataset containing **74,858** audio samples with phonemized transcripts. This benchmark dataset is designed for fine-tuning modern TTS models with maximum synthesis quality. The text corpus is completely phonemized using standard international phonetic alphabet (IPA) representations suitable for neural acoustic modeling. |
|
|
| ### Quick Facts |
|
|
| - **Language:** Vietnamese 🇻🇳 |
| - **Tasks:** Text-to-Speech (TTS), Automatic Speech Recognition (ASR) |
| - **Total Samples:** 74,858 |
| - **Audio Format:** WAV, 24kHz |
| - **Average Duration:** ~6.76 seconds per sample |
| - **Total Duration:** ~140.7 hours |
| - **Multi-speaker:** 193 unique speakers |
|
|
| ### Gender Distribution |
|
|
| - **👨 Male:** 50,200 samples (67.1%) |
| - **👩 Female:** 24,658 samples (32.9%) |
|
|
|
|
| ### Cấu trúc Dataset |
|
|
| Dataset bao gồm các trường sau: |
| ```json |
| { |
| "_id": "jellyfish1010_0041_5", |
| "audio": { |
| "path": "...", |
| "array": [...], |
| "sampling_rate": 24000 |
| }, |
| "text": "Người người băn khoăn về AI, nhà nhà cùng nhau sử dụng AI.", |
| "phonemized_text": "ŋˈyə2j ŋˈyə2j bˈan xwˈan vˈe2 ˌaːˈi, ɲˈaː2 ɲˈaː2 kˈu2ŋ ɲˈaw sˈy4 zˈu6ŋ ˌaːˈi.", |
| "duration": 8.39, |
| "speaker": "jellyfish1010_0041", |
| "gender": "male", |
| "language": "vi" |
| } |
| ``` |
|
|
| #### Các trường dữ liệu: |
|
|
| - **_id**: ID duy nhất của mẫu (tên đã chuẩn hóa) |
| - **audio**: File audio WAV (24kHz) - tên file gốc |
| - **text**: Văn bản tiếng Việt gốc |
| - **phonemized_text**: Phiên âm IPA của văn bản |
| - **duration**: Độ dài audio (giây) |
| - **speaker**: ID của speaker |
| - **gender**: Giới tính speaker (male/female) |
| - **language**: Mã ngôn ngữ (vi) |
|
|
| ## Cách sử dụng |
|
|
| ### Tải dataset |
| ```python |
| from datasets import load_dataset |
| |
| # Load toàn bộ dataset |
| dataset = load_dataset("pnnbao-ump/VieNeu-TTS") |
| |
| # Xem một mẫu |
| sample = dataset['train'][0] |
| print(f"ID: {sample['_id']}") |
| print(f"Text: {sample['text']}") |
| print(f"Phonemized: {sample['phonemized_text']}") |
| print(f"Duration: {sample['duration']}s") |
| print(f"Speaker: {sample['speaker']}") |
| print(f"Gender: {sample['gender']}") |
| print(f"Audio shape: {sample['audio']['array'].shape}") |
| print(f"Sample rate: {sample['audio']['sampling_rate']} Hz") |
| ``` |
|
|
| ## Thống kê Dataset |
|
|
| - **Tổng số mẫu:** 74,858 |
| - **Số speaker:** 193 |
| - **Độ dài trung bình:** ~6.76 giây/mẫu |
| - **Tổng thời lượng:** ~140.7 giờ |
| - **Chất lượng audio:** WAV format, 24kHz |
| - **Phonemization:** IPA (International Phonetic Alphabet) with stress markers |
|
|
| ## Giấy phép |
|
|
| Dataset này được phát hành dưới giấy phép Apache 2.0. |
|
|
| Bạn có thể: |
|
|
| ✅ Sử dụng cho mục đích thương mại |
| ✅ Sửa đổi và phân phối |
| ✅ Cấp phép lại |
| ✅ Sử dụng trong dự án private |
|
|
| Với điều kiện: |
|
|
| 📝 Giữ nguyên thông báo bản quyền và giấy phép |
| 📝 Ghi rõ những thay đổi đã thực hiện |
| 📝 Bao gồm bản sao giấy phép Apache 2.0 |
|
|
| ⚠️ **Lưu ý:** Dataset được cung cấp "nguyên trạng" không có bất kỳ bảo hành nào. |
|
|
| Xem chi tiết tại: https://www.apache.org/licenses/LICENSE-2.0 |
|
|
| Vui lòng trích dẫn nguồn khi sử dụng. |
|
|
| ## Citation |
| ```bibtex |
| @dataset{vieneu_tts_140h, |
| author = {Pham Nguyen Ngoc Bao}, |
| title = {VieNeu-TTS: Vietnamese Multi-Speaker Text-to-Speech Dataset}, |
| year = {2025}, |
| publisher = {Hugging Face}, |
| howpublished = {\url{https://huggingface.co/datasets/pnnbao-ump/VieNeu-TTS}}, |
| note = {140.7 hours, 193 speakers, Apache 2.0 License} |
| } |
| ``` |
|
|
| ## Liên hệ |
|
|
| Nếu có bất kỳ câu hỏi hoặc vấn đề nào, vui lòng tạo issue trên repository. |
|
|
| --- |
|
|
| **Tác giả:** Pham Nguyen Ngoc Bao |
| **Năm:** 2025 |
