我们发布的内容
我们发布了用于构建 Miro 和 Dii 的全部 40 个合成训练数据集——这两个语音身份是我们与 OpenVoiceOS 合作开发的。整套数据集涵盖欧洲葡萄牙语、巴西葡萄牙语、荷兰语、德语、法语、意大利语、日语、西班牙语、罗马尼亚语、波兰语、瑞典语、印地语、丹麦语、波斯语、英语、巴斯克语等等。每个数据集都遵循一致的命名约定：tts-train-synthetic-miro_pt-PT、tts-train-synthetic-dii_pt-BR、tts-train-synthetic-miro_nl-NL，其他语言对以此类推。
每个数据集都是完全合成的——由生成的文本与合成的音频以 LJSpeech 布局配对而成，没有录音棚录制——并以开放许可证发布，因此任何人都可以重新训练或扩展该语音。音素化在 phoonnx 中于训练时进行，借鉴了我们针对 350 多种语言的 G2P 研究。
语音身份如何在各语言之间保持一致
我们不会训练一个多语言的大杂烩然后指望口音自己理顺。每种语言都有一个单语模型——经过训练以听起来像该语言的母语者。各模型之间共享的身份来自语音克隆：每个 Miro 模型和每个 Dii 模型在被适配到新语言之前，都是从同一个源语音克隆而来的。音色、性格、语音的可辨识特质——这些会被迁移过去。口音则不会，这是有意为之。
实际效果是：一位葡萄牙语使用者、一位荷兰语使用者、一位日语使用者——听起来都毫无疑问是同一个人，而且各自都听起来像母语者。
为什么要发布训练数据
没有训练数据的检查点就是一个黑盒子。发布训练数据让语音变得可审计（你能确切看到它从什么中学习）、可复现（在相同数据上运行 phoonnx_train，得到相同结果），以及可扩展（添加句子、为某种方言微调、在其之上构建新的说话人）。
这对这份清单上的低资源语言最为重要。当训练数据是开放的，说某种语言的社区就能改进自己的语音——而无需等待某个厂商判定它在商业上是否有吸引力。
在哪里可以找到这一切
所有数据集和训练好的模型都存放在 HuggingFace 上的 TigreGotico 下，兼容 Piper 的语音检查点也在 OpenVoiceOS 下镜像。
关于消费这些数据集的推理和训练框架，请参见 phoonnx。