Cosa stiamo pubblicando
Tutti i 40 dataset di addestramento sintetici usati per costruire Miro e Dii — le identità vocali che abbiamo sviluppato in collaborazione con OpenVoiceOS. La raccolta copre portoghese europeo, portoghese brasiliano, neerlandese, tedesco, francese, italiano, giapponese, spagnolo, rumeno, polacco, svedese, hindi, danese, farsi, inglese, basco e altro ancora. Ogni dataset segue una convenzione di denominazione coerente: tts-train-synthetic-miro_pt-PT, tts-train-synthetic-dii_pt-BR, tts-train-synthetic-miro_nl-NL, e così via per ogni coppia di lingue.
Ogni dataset è completamente sintetico — testo generato abbinato ad audio sintetizzato in layout LJSpeech, senza sessioni in studio — ed è rilasciato con una licenza aperta affinché chiunque possa riaddestrare o estendere la voce. La fonemizzazione avviene in fase di addestramento in phoonnx, appoggiandosi alla nostra ricerca su G2P per oltre 350 lingue.
Come l’identità vocale rimane coerente tra le lingue
Non addestriamo un unico blocco multilingue sperando che l’accento si sistemi da solo. Ogni lingua ottiene un modello monolingue — addestrato per suonare come un madrelingua di quella lingua. L’identità condivisa tra i modelli deriva dalla clonazione vocale: ogni modello Miro e ogni modello Dii è clonato dalla stessa voce di origine prima di essere adattato a una nuova lingua. Il timbro, il carattere, la qualità riconoscibile della voce — questo si trasferisce. L’accento no, deliberatamente.
La conseguenza pratica: un parlante portoghese, un parlante neerlandese, un parlante giapponese — tutti inequivocabilmente la stessa persona, ognuno con un suono nativo.
Perché pubblicare i dati di addestramento
Un checkpoint senza i suoi dati di addestramento è una scatola nera. Pubblicarli rende la voce verificabile (puoi vedere esattamente da cosa ha imparato), riproducibile (esegui phoonnx_train sugli stessi dati e ottieni lo stesso risultato) ed estensibile (aggiungi frasi, affina per un dialetto, costruisci un nuovo parlante al di sopra).
Questo conta soprattutto per le lingue a basse risorse presenti in questo elenco. Quando i dati di addestramento sono aperti, la comunità che parla una lingua può migliorare la propria voce — senza aspettare che un fornitore decida che è commercialmente interessante.
Dove trovare tutto
Tutti i dataset e i modelli addestrati risiedono sotto TigreGotico su HuggingFace, con checkpoint vocali compatibili con Piper anche replicati sotto OpenVoiceOS.
Per il framework di inferenza e addestramento che utilizza questi dataset, vedi phoonnx.