Siete nombres de asistente. Siete datasets. Todo el audio generado íntegramente a partir del framework TTS phoonnx usando las voces Miro y Dii — sin grabaciones humanas, sin formularios de consentimiento, sin exposición de la privacidad.
Cada dataset es un conjunto plano de aproximadamente mil clips positivos — la wakeword pronunciada con hablantes, ritmos y prosodia variados. Los negativos difíciles y el ruido de fondo se distribuyen como datasets complementarios separados que mezclas en el momento del entrenamiento: not-wake-words-speech-en, not-wake-words-speech-pt, y ambient_noises.
Por qué sintético
Las grabaciones reales requieren meses de recopilación, formularios de consentimiento para cada hablante y, aun así, dejan carencias de acentos que no habías anticipado. La generación sintética invierte eso:
- Reproducible: los mismos ajustes de generación, las mismas voces → el mismo audio. Rastro de auditoría completo, sin arqueología de formularios de consentimiento.
- Auditable: la pipeline de generación es la documentación.
- Escalable: variar el ritmo del habla y las características del hablante es un cambio de parámetro, no una sesión de estudio.
Para la detección de wakeword la propiedad relevante es la distintividad acústica, no la naturalidad. Los datos sintéticos se ajustan bien a ese requisito.
Usa estos
Entrena tu propio detector de wakeword para OpenVoiceOS, Mycroft o cualquier sistema de voz abierto. Para la ampliación de muestras negativas también hay datasets de clips de fondo domésticos y de dominio público: building_106_kitchen_3secs, public_domain_sounds_3secs, y FMA_3secs.