A bank of distinct synthetic reference voices, generated with OmniVoice Voice Design (attribute-driven generation, no reference audio). Each entry is a short reference clip + its attributes + a speaker embedding.

The bank is language-agnostic: it captures only the timbre of each voice. It is meant to be reused as ref_audio to generate multi-speaker TTS corpora in any language (Plateau Malagasy plt, Ngiemboon nnh, …), so that a cloning model learns to separate content from speaker across hundreds of timbres instead of a handful — the key factor for robust zero-shot voice cloning.

▶️ Audio plays directly in the dataset viewer (the ref_audio column is a standard 🤗 Audio feature). Click any row to listen.

⚠️ Synthetic, not human. All audio is generated by OmniVoice. The reference sentence is in English (used only to capture timbre). See Limitations.

Dataset summary

Property	Value
Generator	OmniVoice Voice Design (`instruct=`, no reference audio)
Voices generated	1000 (all attribute combinations)
Unique voices after dedup	527 (ECAPA/Resemblyzer cosine > 0.95 removed)
Gender split (unique)	304 male · 223 female
Audio	Mono, 24 000 Hz, PCM-16 WAV bytes embedded in Parquet
Reference text	Single English sentence (timbre capture only)
Selection list	`voices_clean.csv` — the deduplicated set of unique voices

The shards (data/voicebank-*.parquet) contain all 1000 generated voices (so you can re-run dedup with your own threshold). The curated 527 unique voices are listed in voices_clean.csv (metadata only; join on name to get audio).

Attribute grid (Voice Design)

{gender} × {age} × {pitch} × {style} × {accent} → naming {gender}_{age}_{pitch}_{style}_{accent}.

Category	Values
Gender	`male`, `female`
Age	`child`, `teenager`, `young adult`, `middle-aged`, `elderly`
Pitch	`very low`, `low`, `moderate`, `high`, `very high`
Style	`normal`, `whisper`
Accent	`american`, `british`, `australian`, `canadian`, `indian`, `chinese`, `korean`, `japanese`, `portuguese`, `russian`

⚡ How to use

Listen / browse

from datasets import load_dataset

ds = load_dataset("mimba/omnivoice-voicebank", split="train")
row = ds[0]
print(row["name"], "|", row["gender"], row["age"], row["pitch"], row["accent"])
audio = row["ref_audio"]     # {'array': np.float32[...], 'sampling_rate': 24000}

# jouer dans un notebook
import IPython.display as ipd
ipd.display(ipd.Audio(audio["array"], rate=audio["sampling_rate"]))

Use the deduplicated selection (recommended)

import pandas as pd
from huggingface_hub import hf_hub_download

clean = pd.read_csv(hf_hub_download("mimba/omnivoice-voicebank", "voices_clean.csv",
                                    repo_type="dataset"))
# ex. exclure les chuchotements (indistinguables entre eux) pour l'entraînement :
clean = clean[clean["style"] != "whisper"]
print(len(clean), "voix uniques utilisables")

Reuse a voice as a cloning reference (any language)

import io, soundfile as sf
from datasets import load_dataset

ds = load_dataset("mimba/omnivoice-voicebank", split="train")
row = next(r for r in ds if r["name"] == "female_youngadult_high_normal_british")
sf.write("ref.wav", row["ref_audio"]["array"], row["ref_audio"]["sampling_rate"])
# -> passe ref.wav comme ref_audio à ton TTS/VC, avec le texte de la langue cible.

Data fields

Field	Type	Description
`name`	string	`{gender}_{age}_{pitch}_{style}_{accent}`
`gender`, `age`, `pitch`, `style`, `accent`	string	Attributs Voice Design
`instruct`	string	Chaîne `instruct=` exacte envoyée à OmniVoice
`ref_text`	string	Phrase anglaise de référence (capture du timbre)
`sample_rate`	int64	`24000`
`ref_audio`	audio	`{bytes: <WAV 24 kHz mono PCM-16>, path: None}` — joué par le viewer
`embedding`	list[float32]	Embedding locuteur (Resemblyzer) — sert à la dédup

How it was produced

Generation — 1000 voix via OmniVoice Voice Design (2×5×5×2×10 combinaisons d'attributs), texte de référence anglais unique, num_step=32, déterministe.
Filtrage qualité — rejet des audios silencieux (RMS < seuil) ou trop courts.
Déduplication — embedding locuteur (Resemblyzer) par voix ; suppression gloutonne des voix dont la similarité cosinus dépasse 0.95 (une gardée par grappe). Résultat : 527 voix uniques listées dans voices_clean.csv.
Stockage — shards Parquet (data/voicebank-XXXX.parquet), audio en bytes WAV 24 kHz, push incrémental + purge disque locale.

Limitations

Synthétique, pas humain. Le timbre et la prosodie héritent d'OmniVoice.
Chuchotements peu distinguables. Les voix whisper se ressemblent fortement pour les encodeurs de locuteur (parole non voisée) → elles sont massivement fusionnées à la dédup ; les quelques whisper conservées sont distinctes, mais pour l'entraînement il est recommandé de filtrer style == "whisper".
Audio de référence en anglais. Seul le timbre est réutilisable ; la langue du contenu cible se choisit au moment de la génération (clonage).
Labels d'attributs = intention, pas garantie. Certaines combinaisons (ex. child + very low pitch) sont approximées par le modèle.

Intended use

Enrichir la diversité de locuteurs lors du finetuning de TTS/clonage sur langues peu dotées (projet Mimba), afin de préserver la généralisation zero-shot du clonage quand les données natives ne comptent que quelques locuteurs. Réutilisable comme banque de références pour plt, nnh, etc.

License

cc-by-nc-sa-4.0 — usage non commercial, attribution, partage à l'identique. Vérifier indépendamment la licence d'OmniVoice avant tout usage commercial.

Citation

@misc{mimba2026omnivoicevoicebank,
  title  = {Mimba OmniVoice Voice Bank: Reusable Multi-Speaker Reference Voices},
  author = {Mimba Ngouana Fofou},
  year   = {2026},
}

Contact: @Mimba

Downloads last month: 34

Total file size:

400 MB