formospeech/ithuan_amis

Stage 3 資料集組裝與切分報告 (Dataset Assembly & Stratified Split)

• 語言名稱: 秀姑巒阿美語 (ami-x-skl)
• 訓練集 (Train): 15,653 筆 (17.46 小時)
• 評估集 (Eval): 0 筆 (0.00 小時)
• 全資料集總計: 15,653 筆 (17.46 小時)
• 音訊去重排除: 507 筆 (0.49 小時，其中 TTS 重疊排除 506 筆、ASR 1 筆)
• 文字防外洩排除: 0 筆 (0.00 小時)

🎙️ 雙任務分項統計 (ASR vs TTS Breakdown)

本語料庫收錄語音識別（ASR）與語音合成（TTS）兩種性質之標註語料：

任務類型	發音人數	樣本筆數	總時長	平均時長	主要特徵與用途
ASR (語音識別)	29 位	12,170 筆	13.49 hrs	3.99s	多說話者日常與教學對話語料，涵蓋 29 位在地發音人
TTS (語音合成)	3 位	3,483 筆	3.97 hrs	4.10s	錄音室環境錄製，專為語音合成聲學模型（如 VITS / Matcha / CosyVoice）設計

🌟 TTS 專業錄音員分項詳情 (TTS Speakers Detail)

發音人 ID	樣本筆數	總時長	平均 DNSMOS (OVRL)	清晰度 (SIG)	噪音抑制 (BAK)	聽感品質 (P.808)	特點說明
00	1,994 筆	2.42 hrs	3.40	3.69	4.09	3.82	🏆 核心 TTS 錄音員（2,000 句完整台詞，音質最高）
01	640 筆	0.64 hrs	2.89	3.30	3.80	3.53	輔助合成錄音員
07	849 筆	0.91 hrs	3.26	3.62	4.00	3.72	輔助合成錄音員

💡 如何在 Hugging Face / Python 中快速篩選 TTS 或 ASR 語料

若要在訓練時單獨取用 TTS 或 ASR 語料，可直接使用 Hugging Face datasets 的 .filter() 依 extension 或 speaker 篩選：

from datasets import load_dataset

# 載入秀姑巒阿美語訓練集
ds = load_dataset('formospeech/ithuan_amis', 'ami-x-skl', split='train')

# 1. 篩選全體 TTS 語料 (3,483 筆, 3.97 小時)
tts_dataset = ds.filter(lambda x: x['extension'] == 'tts')

# 2. 篩選核心專業錄音員 Speaker 00 高品質 TTS 語料 (1,994 筆, 2.42 小時, DNSMOS 3.39)
spk00_tts_dataset = ds.filter(lambda x: x['extension'] == 'tts' and x['speaker'] == '00')

# 3. 篩選 ASR 識別用語料 (12,170 筆, 13.49 小時, 29 位發音人)
asr_dataset = ds.filter(lambda x: x['extension'] == 'asr')

📋 各語言資料集切分詳細統計

語言代碼 (lang_code)	語言名稱	Train 筆數	Train 時長	Eval 筆數	Eval 時長	總筆數	總時長	音訊去重	文字防外洩
ami-x-skl	秀姑巒阿美語	15,653	17.46 hrs	0	0.00 hrs	15,653	17.46 hrs	507	0