7 つのアシスタント名。7 つのデータセット。すべての音声は、Miro と Dii の音声を用いて phoonnx TTS フレームワークから完全に生成されたものです。人間による収録も、同意書も、プライバシーの露出もありません。
各データセットは、およそ 1,000 個のポジティブクリップからなるフラットな集合です。すなわち、さまざまな話者、話速、韻律で発話されたウェイクワードです。ハードネガティブと背景ノイズは、学習時に混合する別の付随データセットとして提供されます。not-wake-words-speech-en、not-wake-words-speech-pt、ambient_noises です。
なぜ合成なのか
実際の録音には数か月の収集期間が必要で、話者ごとに同意書が要り、それでも予期しないアクセントのギャップが残ります。合成生成はこれを逆転させます。
- 再現可能: 同じ生成設定、同じ音声 → 同じ音声。完全な監査証跡があり、同意書の発掘作業は不要です。
- 監査可能: 生成パイプラインそのものがドキュメントとなります。
- スケーラブル: 話速や話者の特性を変えることは、スタジオセッションではなくパラメータの変更にすぎません。
ウェイクワード検出において重要な性質は、自然さではなく音響的な識別性です。合成データはその要件によく適合します。
これらを使う
OpenVoiceOS、Mycroft、あるいは任意のオープンな音声システム向けに、独自のウェイクワード検出器を学習しましょう。ネガティブサンプルの拡張用には、家庭内やパブリックドメインの背景クリップデータセットもあります。building_106_kitchen_3secs、public_domain_sounds_3secs、FMA_3secs です。