七个助手名字。七个数据集。所有音频都完全由 phoonnx TTS 框架使用 Miro 和 Dii 语音生成——没有真人录音，没有同意书，没有隐私暴露。
每个数据集都是大约一千个正样本片段的扁平集合——由不同的说话人、语速和韵律说出的唤醒词。困难负样本和背景噪声则作为独立的配套数据集提供，你可以在训练时混入：not-wake-words-speech-en、not-wake-words-speech-pt 和 ambient_noises。
为什么用合成数据
真实录音需要数月的采集、每位说话人的同意书，而且仍会留下你未曾预料的口音空缺。合成生成则颠倒了这一切：
- 可复现：相同的生成设置、相同的语音 → 相同的音频。完整的审计追踪，无需考证同意书。
- 可审计：生成流水线本身就是文档。
- 可扩展：改变语速和说话人特征只是一个参数变更，而不是一次录音棚录制。
对于唤醒词检测，相关的属性是声学上的可辨识度，而不是自然度。合成数据非常契合这一要求。
用起来
为 OpenVoiceOS、Mycroft 或任何开放的语音系统训练你自己的唤醒词检测器。对于负样本增强，还有一些家居和公有领域的背景片段数据集：building_106_kitchen_3secs、public_domain_sounds_3secs 和 FMA_3secs。