--- language: - nnh license: cc-by-nc-sa-4.0 pretty_name: Mimba Multi-Voice Ngiemboon TTS Corpus (nnh) task_categories: - text-to-speech tags: - text-to-speech - tts - voice-cloning - multi-speaker - speaker-diversity - ngiemboon - nnh - cameroon - african-languages - low-resource - tonal - synthetic - OmniVoice - OpenVoice size_categories: - 10K ▶️ **L'audio se joue directement dans le dataset viewer** (colonne `audio` = feature 🤗 `Audio`). > ⚠️ **Entièrement synthétique.** Aucune voix humaine n'a été enregistrée pour ce corpus. > Voir [Provenance](#comment-il-a-été-produit) et [Limites](#limites). --- ## Résumé | Propriété | Valeur | |---|---| | Langue | Ngiemboon (`nnh`), Cameroun — langue **tonale** | | Voix | **~525** timbres distincts | | Énoncés par voix | 50 (fenêtre tournante sur le corpus texte) | | Total | **~26 250** clips | | Audio | Mono, **24 000 Hz**, **FLAC** (sans perte) en bytes dans le Parquet | | Texte | Phrase ngiemboon (`text`) + **phonèmes IPA** (`text_phonemized`) | | Shards | `data/{voix}.parquet` — un fichier par voix | --- ## Pourquoi ce dataset Finetuner un TTS de clonage sur **peu de locuteurs** détruit l'espace locuteur : le modèle oublie le clonage et se met à **répéter des syllabes**. Mesuré sur un run précédent avec 4 voix : la similarité locuteur s'effondrait de **0,45 à 0,22 en 1 000 steps**. La parade : entraîner sur **des centaines de timbres**, pour que le modèle apprenne à **séparer le contenu du locuteur**. La diversité remplace le gel des poids. | Étape | Outil | Rôle | |---|---|---| | **A** | [OmniVoice](https://github.com/k2-fsa/OmniVoice) *Voice Design* | ~527 **timbres** variés → [`mimba/omnivoice-voicebank`](https://huggingface.co/datasets/mimba/omnivoice-voicebank) | | **B** | [OpenVoice V2](https://github.com/myshell-ai/OpenVoice) *Voice Conversion* | plaque ces timbres sur les **6 voix nnh** du corpus source → **références à accent ngiemboon** → [`mimba/nnh-multivoice-vc`](https://huggingface.co/datasets/mimba/nnh-multivoice-vc) | | **C** | OmniVoice *clone* (`language_id='nnh'`) | génère ce corpus : **propre, accent conservé** (ref = clip VC) | L'accent est **porté par la référence** (issue de voix ngiemboon), la conversion de timbre ne changeant que la couleur de voix — prononciation, rythme et tons sont hérités de la source. --- ## Phonémisation Le corpus source ne fournit que du texte : `text_phonemized` est **calculé** par [`nnh_g2p.py`](https://huggingface.co/datasets/mimba/multivoice-nnh), une translittération orthographe AGLC → IPA. - **L'orthographe ngiemboon est phonémique** (Alphabet Général des Langues Camerounaises) : une lettre = un phonème, et plusieurs lettres *sont* déjà des symboles IPA (`ɛ ɔ ŋ ʉ`). - **Les tons sont CONSERVÉS** : `◌́` (haut), `◌̀` (bas descendant), `◌̂` (descendant), `◌̌` (montant) ; le ton bas simple reste non marqué, comme dans l'orthographe. Les phonèmes sont livrés en forme **décomposée** (NFD) — c'est le diacritique combinant qui figure dans le vocabulaire BlueTTS, pas la lettre précomposée. - L'apostrophe `ʼ` note l'**occlusive glottale** `/ʔ/`. - La **prénasalisation** (`mb`, `nd`, `ng`…) est ramenée à la nasale pleine (`m`, `n`, `ŋ`) : les marqueurs en exposant `ᵐ ⁿ ᵑ` sont les **seuls** symboles absents du vocabulaire BlueTTS. Couverture vérifiée sur 3 000 phrases : **100 %** des caractères produits existent dans le vocabulaire (244 entrées) — aucun phonème perdu en `PAD`. --- ## ⚡ Utilisation ```python from datasets import load_dataset ds = load_dataset("mimba/multivoice-nnh", split="train") row = ds[0] print(row["speaker_name"], "|", row["text"]) print(row["text_phonemized"]) audio = row["audio"] # {'array': np.float32[...], 'sampling_rate': 24000} import IPython.display as ipd ipd.display(ipd.Audio(audio["array"], rate=audio["sampling_rate"])) ``` Écouter une voix précise : ```python import io, soundfile as sf, pandas as pd from huggingface_hub import hf_hub_download d = pd.read_parquet(hf_hub_download("mimba/multivoice-nnh", "data/female_youngadult_high_normal_british.parquet", repo_type="dataset")) arr, sr = sf.read(io.BytesIO(d.iloc[0]["audio"]["bytes"])) # FLAC lu directement ``` **Pour l'entraînement** : `text_phonemized` est prêt à l'emploi (aucun G2P à refaire), mais `speaker_id` doit être **remappé en `0..N-1`** — les ids sources ne sont pas contigus. --- ## Champs | Champ | Type | Description | |---|---|---| | `id` | string | `{speaker_name}_{src_idx}` | | `speaker_id` | int64 | Identifiant de la voix (⚠️ non contigu — à remapper) | | `speaker_name` | string | Nom du timbre, ex. `female_child_high_normal_indian` | | `text` | string | Phrase ngiemboon | | `text_phonemized` | string | Phonèmes IPA, **tons conservés**, forme décomposée | | `audio` | audio | `{bytes: , path: None}` | | `sampling_rate` | int64 | `24000` | | `duration` | float64 | Durée du clip (s) | | `src_idx` | int64 | Index de la phrase dans le corpus texte | --- ## Comment il a été produit 1. **Timbres** — ~527 voix via OmniVoice Voice Design (attributs, sans référence audio), dédupliquées par embedding locuteur. 2. **Références** — OpenVoice V2 *ToneColorConverter* convertit les **6 voix** de [`mimba/nnh-tts-dataset`](https://huggingface.co/datasets/mimba/nnh-tts-dataset) vers chacun de ces timbres. 3. **Génération** — pour chaque timbre, OmniVoice **clone** (`ref_audio` = clip VC, `language_id='nnh'`, `num_step=32`, déterministe) 50 phrases tirées de [`mimba/text2text`](https://huggingface.co/datasets/mimba/text2text) (`nnh_fra`), phonémisées à la volée. Fenêtre tournante : chaque voix reçoit des phrases différentes. 4. **Stockage** — un Parquet par voix, FLAC 24 kHz en bytes, push incrémental et reprenable. --- ## Limites - **Chaîne synthétique longue.** Contrairement à son équivalent malgache, qui part de **4 voix humaines réelles**, ce corpus s'appuie sur `mimba/nnh-tts-dataset`, lui-même **généré par TTS**. L'accent ngiemboon est donc hérité *au second degré* : toute imperfection des 6 voix de référence se propage ici. - **G2P non validé par un locuteur.** `nnh_g2p.py` est construit à partir de la charte alphabétique et de la littérature (SIL / AGLC) — **il n'a pas été vérifié à l'oreille par un locuteur natif**. Les valeurs de `ẅ`/`ÿ` et les réalisations contextuelles de `b`, `d`, `g` restent incertaines. - **Tons présents mais non évalués.** Ils sont transmis au modèle ; que celui-ci les restitue *audiblement* reste à démontrer par écoute. - **Diversité de contenu bornée** par le corpus texte source. - **24 kHz** — rééchantillonner si le modèle cible attend autre chose. --- ## Usage prévu Finetuning multi-locuteurs de TTS/clonage pour une langue peu dotée (projet **Mimba**) : apprendre à parler ngiemboon **sans perdre** le clonage zero-shot. --- ## Licence `cc-by-nc-sa-4.0` — usage non commercial, attribution, partage à l'identique. Vérifier indépendamment les licences d'OmniVoice et d'OpenVoice V2 avant tout usage commercial. --- ## Citation ```bibtex @misc{mimba2026multivoicennh, title = {Mimba Multi-Voice Ngiemboon TTS Corpus (nnh)}, author = {Mimba Ngouana Fofou}, year = {2026}, } ``` ##### *Contact : [@Mimba](baounabaouna@gmail.com)*