alania-speech-captions-tr 是目前唯一的土耳其语 TTS 语音描述字幕（voice-caption）数据集：835,267 个土耳其语语音片段、约 2,398 小时，每段都配有"这句话说起来是什么样"的自然语言描述（英/土双语），并附带音高、语速、停顿、噪声等底层测量数据。本文对比它与英文 voice-caption 数据集的差异，讲清这套数据是如何炼成的、能解决什么问题，以及使用时的注意事项。

一、英文 TTS 早就有的"声音描述"数据

想让 TTS 模型做到"说人话"，光有"音频 + 文字"是不够的，还需要第三样东西：这句话怎么说的描述——音调高低、语速快慢、停顿多少、是命令口吻还是描述口吻。

英文世界这几年陆续出现了这类数据集（E.T.APE、VoiceCraft、WavChat 等），它们把"说话风格"变成了模型可读的文本，直接支撑了两类热门玩法：

• 指令跟随 TTS：输入"用低沉缓慢的声音、带一点疲惫感说话"，模型照着念；
• 声音描述 TTS：给一段目标声音的描述文字，模型复现类似音色气质。

可以说，voice-caption 数据已经成为"可控 TTS"的标配拼图。而土耳其语——一个 9,000 万级用户规模的语言——此前这块拼图完全空白。

二、土耳其语为什么一直没有这块拼图？

原因不复杂：缺的不是录音，而是"描述录音"的能力与工程。

英文社区有成熟管线后很快补齐了这块；土耳其语直到 PatientDesk AI 为自己的 TTS 模型Alania-2服务，才第一次系统性补齐。这个仓库 alania-speech-captions-tr 就是那次工作的完整公开成果。

三、alania-speech-captions-tr 数据集概览

这个仓库包含 51 个 parquet 分片（如 data/train-00000.parquet、data/train-00050.parquet），核心规格如下（详见 README.md）：

💡 设计亮点：每条片段同时有caption_en和caption_tr两个语言的描述，caption_style字段区分"描述"还是"指令"，正好覆盖上面两种 TTS 玩法。

示例字幕（来自 README.md）：

A medium-pitched female voice speaks at a moderate pace with even energy; the recording sounds a bit muffled, like a phone call.

Use a high, calm voice with monotone intonation and speak slowly, with a few short pauses; slight background noise.

每行数据还包含大量可机读字段（完整列说明见 README.md）：start/end（该片段在源录音中的起止秒数）、f0_median_hz（中位音高）、SNR、混响时间、带宽、DNSMOS 质量分、pace_label/pitch_label/noise_label等描述标签，以及asr_disagrees_with_youtube（ASR 转写与 YouTube 字幕明显不一致的标记，约 8% 片段为 true，想要更干净文本可直接过滤）。

四、制作流程：从 9,216 小时原始音频到 2,398 小时精品

这个数据集的"炼金"过程大致分五步（完整说明见 README.md）：

1. 筛选：YODAS v3 土耳其语原始 9,216 小时 → 语音活动检测切分 + 土耳其语识别（VoxLingua107，用 Whisper 交叉验证）→ 去除音乐与唱歌（AST）→ 裁切检测、带宽与 DNSMOS（≥ 2.4）质检，只保留约 30% 的时长；
2. 转写：用自研土耳其语 ASR「Duyu」逐段转写；与 YouTube 字幕强烈不一致的片段会打上asr_disagrees_with_youtube标记；
3. 测量：提取中位 F0 及其离散度（相对说话人自身基线）、音节率、发音速率、停顿、SNR、混响时间、响度、带宽、DNSMOS，并用 wav2vec2 分类器预测性别；
4. 标签化：测量值分箱成人类可读标签（pace_label、pitch_label、noise_label…），还包含"比该说话人平时更快"这类相对自身基线的比较；
5. 写字幕：由 Qwen3-32B 把标签渲染成每条片段各一条的英文 + 土耳其语自然语言描述。LLM 只在识别"明显的言语行为"（道歉、感谢、抱怨）时才参考转写，写入content_tone（96% 片段为 none）；并且严禁字幕引用转写内容——任何与转写连续共用 4 个词的候选字幕都会被拒收，保证"描述"只描述怎么说，不泄露说了什么。

这套"测量 → 标签 → LLM 渲染 + 防引用校验"的管线，正是英文同类数据集的核心方法论，如今第一次有了土耳其语版本。

五、与英文 voice-caption 数据集的关键差异

最大的差异点在于音频的分发方式：数据集本身是纯文本 + 测量，音频留在上游 YODAS 仓库中。这样做的好处是仓库体积可控、许可边界清晰；代价是使用前必须多一步"按行取音频"。README 中给出了现成方案（见 README.md）：加载本数据集得到某行的yodas_shard/yodas_id/start/end后，从 espnet/yodas3 下载对应的data/tr/audio/{shard}.tar，取出该录音再按start:end裁切即可。

六、拿到数据后能做什么

1. 训练指令跟随的土耳其语 TTS：用 30% 的instruct风格样本做指令-语音配对训练，实现"用 X 方式念这句话"；
2. 训练声音描述 TTS / 零样本音色控制：用 70% 的describe风格样本，让模型从描述文字还原说话气质；
3. 土耳其语韵律研究：直接基于f0_median_hz、停顿、音节率等测量列做统计，无需重新标注；
4. ASR 数据清洗：transcript列 +asr_disagrees_with_youtube标记可直接用于训练或质检土耳其语 ASR。

七、使用前的诚实提醒 ⚠️

README 的"Limitations and responsible use"一节（README.md）写得相当坦率，新手尤其要记住：

• 所有字幕、标签、转写、性别都是自动生成的，存在重叠人声、背景音乐、极短片段等场景下的错误；
• 数据72% 是男声，只用它训练的模型会在女声上偏弱；
• 内容是日常土耳其语 YouTube（新闻、政治、游戏、课程、vlog），未按主题筛选，不代表任何立场；
• 录音者是真实用户，不要用它识别、画像或克隆特定说话人的声音；
• "高音""低音"等描述是相对的——相对本语料库的土耳其语，也相对说话人自身的音域。

写在最后

alania-speech-captions-tr 补齐的不只是一份数据，而是土耳其语可控 TTS 的入场券：它把英文社区验证过的"测量 → 标签 → LLM 描述"方法论完整移植到土耳其语，并且规模（近 2,400 小时）远超多数英文同类项目。如果你关注非英语语音合成的机会窗口，这套数据的工程管线本身也值得逐行研读。