VieNeu-TTS-140h-nanocodec

Dataset tiếng Việt đã được encode bằng NVIDIA NeMo NanoCodec cho training Kani TTS.

Dataset Details

• Source: VieNeu-TTS-140h (pnnbao-ump/VieNeu-TTS-140h)
• Total samples: 74,858
• Speakers: 193
• Language: Vietnamese (vi)
• Codec: NVIDIA NeMo NanoCodec (22kHz, 0.6kbps, 12.5fps)
• Format: JSONL.gz với NanoCodec tokens (4 layers)

Dataset Structure

Mỗi mẫu bao gồm:

• text: Text transcription tiếng Việt
• nano_layer_1: Codec tokens layer 1
• nano_layer_2: Codec tokens layer 2
• nano_layer_3: Codec tokens layer 3
• nano_layer_4: Codec tokens layer 4
• encoded_len: Độ dài sequence tokens
• speaker: Speaker ID
• lang: "vi"
• dataset_source: "vieneu-tts-140h"
• phonemized_text: IPA phonemization (nếu có)
• gender: Giới tính speaker (nếu có)

Usage

from datasets import load_dataset

dataset = load_dataset("pnnbao-ump/VieNeu-TTS-140h-nanocodec")

# Xem một mẫu
sample = dataset['train'][0]
print(sample['text'])
print(f"Speaker: {sample['speaker']}")
print(f"Tokens: {sample['encoded_len']}")

License

CC BY-NC 4.0 - Non-commercial use only

Citation

@dataset{vieneu_tts_140h_nanocodec,
  title = {VieNeu-TTS-140h NanoCodec Dataset},
  author = {Pham Nguyen Ngoc Bao},
  year = {2025},
  url = {https://huggingface.co/datasets/pnnbao-ump/VieNeu-TTS-140h-nanocodec}
}