看到一个基于国产端侧语音模型做的数据集，八万条短音频加三万条长音频，加起来三百个G左右，专门给语音合成微调和角色配音建模用。
有个处理细节值得单拎出来说：他们把对话文本里的舞台指示都去掉了。这活很关键——素材里那些描述动作和场景的括号内容，如果不清理，模型学着学着就会把它们当台词念出来，或者影响语调。做过数据清洗的都懂，这类脏东西比噪声难处理多了。
作者还拿这套数据微调了个演示模型一起开源了。
二次元语音这个方向数据一直是最大的瓶颈，有人愿意开这么大一份出来挺难得。
三百个G的语音素材，授权来源说清楚了吗，这个比较关心
能出声就行 我不挑音色
三百个G 我硬盘先哭了
新手问下 微调要多大显存
这个规格的小模型 消费级卡能上