leungtianle/Expressiveness

Expressiveness — UltraVoice 指令语音合成数据集

基于 UltraVoice 的 instruction_text 字段， 使用 IndexTTS-2.5 零样本音色克隆合成的语音数据集。

• —55,352 条音频，共 166.71 小时，22050 Hz 单声道 WAV (PCM16)
• —平均时长 10.84 秒
• —参考音色随机取自 865 个说话人片段，每个音色被使用 41–93 次
• —仅合成 instruction（提问）部分，response 未合成

数据构成

完整的小类级统计（含各类最短/最长时长）见 ultravoice_stats.md。

文件说明

• —ultravoice.jsonl — 元数据，每行一条记录：

  {
    "key": "ultrachat_586644",
    "split_type": "accent",
    "sub_type": "AU",
    "instruction_text": "Could you share some insights on ...",
    "response_text": "G'day mate! Substance abuse in teenagers ...",
    "instruction_wav_path": "wav/instructions/accent/AU/ultrachat_586644.wav",
    "response_wav_path": "wav/responses/accent/AU/ultrachat_586644_0.wav",
    "dataset_split": "train"
  }

instruction_wav_path 指向本仓库中的合成音频。response_text / response_wav_path 为原始数据集字段，本仓库未合成 response 音频。

• —wav/*.tar — 按大类打包的音频，共 7 个分片。解包后目录结构为 instructions/<大类>/<小类>/<key>.wav，与 instruction_wav_path 去掉 wav/ 前缀后对应。

使用方式

# 下载
hf download leungtianle/Expressiveness --repo-type=dataset --local-dir .

# 解包（还原为 wav/instructions/<大类>/<小类>/<key>.wav）
mkdir -p wav_extracted
for f in wav/*.tar; do tar -xf "$f" -C wav_extracted; done

解包后把 wav_extracted 重命名为 wav，即可直接用 instruction_wav_path 索引音频。

合成配置

注意事项

• —`sub_type` 描述的是文本内容的风格要求，不是合成音频的实际声学属性。 例如 speed=slow 的样本，其 instruction 文本要求"用缓慢的语速回答"，但合成时未启用 duration_factor，音频语速由参考音色决定。同理 emotion、volume、accent 等标签也不反映合成音频本身的情感、音量或口音。
• —generalqa 的平均时长（5.93 秒）明显短于其他类（11–14 秒），因为它的 instruction 是纯问句，而其他类的文本额外附带了风格指令，文本更长。
• —composite 类 4,143 条即原数据集该类的全部数量，已取尽。
• —dataset_split 字段沿用原数据集（train 53,874 / test 1,478），抽样时未按此字段分层。

许可

音频由 IndexTTS-2.5 合成，请遵守 IndexTTS 模型许可。 文本内容来自 UltraVoice 数据集，请遵守其原始许可。