Datasetpublic

ejbejaranos/ITCL-ES-TTS-5voices-143ksamples

🗣️ ITCL-ES-TTS-5voices-143ksamples 📦 Descripción del Dataset Este dataset contiene 143,390 muestras en español compuestas por consultas y respuestas generadas por motores TTS (Text-to-Speech). Se generaron utilizando los modelos: 🗣️ Kokoro TTS (kokoro-82m) 🗣️ Coqui TTS (coqui) Las consultas y respuestas están basadas en el dataset ms-marco-es, y se generaron audios sintéticos para ambas partes. 🧬 Estructura del Dataset Cada muestra… See the full description on the dataset page: https://huggingface.co/datasets/ejbejaranos/ITCL-ES-TTS-5voices-143ksamples.

sourceHugging Faceapache-2.0updated 1y agoView on Hugging Face

1likes359downloads

Dataset Card

🗣️ ITCL-ES-TTS-5voices-143ksamples

📦 Descripción del Dataset

Este dataset contiene 143,390 muestras en español compuestas por consultas y respuestas generadas por motores TTS (Text-to-Speech). Se generaron utilizando los modelos:

—🗣️ Kokoro TTS (kokoro-82m)
—🗣️ Coqui TTS (coqui)

Las consultas y respuestas están basadas en el dataset ms-marco-es, y se generaron audios sintéticos para ambas partes.

🧬 Estructura del Dataset

Cada muestra incluye los siguientes campos:

Campo	Tipo	Descripción
`instruction_audio`	🎧 Audio	Audio MP3 de la consulta (22,050 Hz)
`instruction_text`	📝 Texto	Texto de la consulta
`output_text`	📝 Texto	Texto de la respuesta
`output_audio`	🎧 Audio	Audio MP3 de la respuesta (22,050 Hz)
`speaker_instruction`	🔊 Texto	Voz TTS usada para la consulta
`speaker_answer`	🔊 Texto	Voz TTS usada para la respuesta
`gender_instruction`	🚻 Texto	Género de la voz para la consulta (`female`, `male`, `neutral`)
`model`	🧠 Texto	Modelo TTS usado (`kokoro-82m` o `coqui`)

⚙️ Características Técnicas

—📁 Número de muestras: 143,390
—🎧 Formato de audio: MP3
—📊 Frecuencia de muestreo: 22,050 Hz
—🔁 Modelos TTS alternados para generar voces más variadas
—👥 Voces diferenciadas para consulta y respuesta
—🧼 Limpieza y filtrado de texto para evitar caracteres corruptos

🛠️ ¿Cómo se creó?

El dataset fue generado con un script personalizado en Python que incluye:

1.🧹 Limpieza de textos con expresiones regulares
2.📤 Filtrado desde el dataset `ms-marco-es`
3.🎙️ Generación de audios mediante una API TTS basada en OpenAI, utilizando voces de Kokoro y Coqui
4.🧪 Validación de archivos de audio (tamaño, duración, formato)
5.🧵 Procesamiento multihilo con ThreadPoolExecutor para acelerar la generación
6.🔁 Reconversión automática con ffmpeg en caso de audios defectuosos
7.🚀 Subida automática a Hugging Face Hub

🧪 Ejemplo de Carga

Puedes cargar el dataset directamente con Hugging Face datasets:

python

from datasets import load_dataset

dataset = load_dataset("ejbejaranos/ITCL-ES-TTS-5voices-Big200ksamples")

✅ Buenas Prácticas Implementadas

✔️ Verificación de audios corruptos

✔️ Estandarización de frecuencia de muestreo

✔️ Multiprocesamiento para eficiencia

✔️ Asignación diversa de voces y modelos TTS

✔️ Documentación y trazabilidad del proceso

Información Adicional

—Número de muestras: 143390

🤝 Contribuciones

¡Se aceptan contribuciones! Reporta problemas o sugerencias en:

📬 Contacto

Edison Bejarano

—✉️ Email: ejbejaranos@gmail.com

—🏢 Institucional: edison.bejarano@itcl.es