Sieben Assistentennamen. Sieben Datensätze. Sämtliches Audio wurde vollständig mit dem TTS-Framework phoonnx unter Verwendung der Stimmen Miro und Dii erzeugt — keine menschlichen Aufnahmen, keine Einwilligungsformulare, keine Preisgabe der Privatsphäre.
Jeder Datensatz ist eine flache Menge von etwa tausend positiven Clips — das Wakeword gesprochen mit variierten Sprechern, Geschwindigkeiten und Prosodie. Harte Negativbeispiele und Hintergrundgeräusche werden als separate Begleitdatensätze geliefert, die Sie zur Trainingszeit einmischen: not-wake-words-speech-en, not-wake-words-speech-pt und ambient_noises.
Warum synthetisch
Echte Aufnahmen erfordern Monate der Erfassung, Einwilligungsformulare für jeden Sprecher und hinterlassen dennoch Akzentlücken, die Sie nicht vorhergesehen haben. Die synthetische Erzeugung kehrt das um:
- Reproduzierbar: dieselben Erzeugungseinstellungen, dieselben Stimmen → dasselbe Audio. Vollständiger Prüfpfad, keine Archäologie von Einwilligungsformularen.
- Überprüfbar: die Erzeugungspipeline ist die Dokumentation.
- Skalierbar: Sprechgeschwindigkeit und Sprechermerkmale zu variieren ist eine Parameteränderung, keine Studiositzung.
Für die Wakeword-Erkennung ist die relevante Eigenschaft die akustische Unterscheidbarkeit, nicht die Natürlichkeit. Synthetische Daten passen gut zu dieser Anforderung.
Nutzen Sie diese
Trainieren Sie Ihren eigenen Wakeword-Detektor für OpenVoiceOS, Mycroft oder jedes offene Sprachsystem. Für die Anreicherung mit Negativbeispielen gibt es auch Datensätze mit häuslichen und gemeinfreien Hintergrund-Clips: building_106_kitchen_3secs, public_domain_sounds_3secs und FMA_3secs.