HiFiTTS-2は、NVIDIAが2025年にリリースした大規模な高帯域幅音声データセットです。関連する論文の結果は次のとおりです。 「HiFiTTS-2: 大規模高帯域幅音声データセット」高品質のゼロショット音声合成 (TTS) モデルのトレーニングと評価をサポートするように設計されています。 このデータセットには、5,000人の話者による音声メタデータが含まれており、22.05kHzで約36,700時間、44.1kHzで約31,700時間の英語音声録音が、帯域幅の品質とサンプリングレート別に階層化されています。このデータはLibriVoxのオーディオブックから取得されており、LibriVoxからダウンロード可能です。48kHzでサンプリングされているため、高解像度ボコーダーや非自己回帰型音声合成モデルの学習に適しています。

データには以下が含まれます:

• 音声オーディオ（22 kHz / 44 kHz、モノラル）
• トランスクリプトと章/エピソードのメタデータ
• スピーカーと帯域幅の品質推定、セグメンテーションタイムスタンプ
• トレーニング/検証マニフェストと構成例

引用

@inproceedings{rlangman2025hifitts2,
title={HiFiTTS-2: A Large-Scale High Bandwidth Speech Dataset},
author={Ryan Langman and Xuesong Yang and Paarth Neekhara and Shehzeen Hussain and Edresson Casanova and Evelina Bakhturina and Jason Li},
booktitle={Interspeech},
year={2025},
}