cloud0day3/alania-synthetic-speech-tr

Alania Turkish Synthetic Speech

English · Türkçe

3,411 hours of 48 kHz Turkish speech in 2,037,461 clips, spoken by 2,752 designed voices plus one-off voices, each clip paired with the written sentence, its spoken form and a plain-English description of the voice. Every clip is AI-generated: no real person's voice is in this dataset.

We made it while building Alania-2, the Turkish text-to-speech model behind speech.patientdesk.ai. Openly licensed Turkish speech for TTS is scarce: the largest sets are a few hundred hours of read or crowd-sourced audio (Common Voice Turkish has about 130 validated hours). We are releasing the part of our synthetic corpus that carries no one else's voice or rights, so others building Turkish voice technology can use it.

What is in it

Config	Text	Licence	Clips	Hours
cc-by (default)	our voice-agent sentences (Alania Turkish Domain Text) and FineWeb-2 Turkish	CC BY 4.0	1,660,381	2,565
cc-by-sa	Turkish Wikipedia	CC BY-SA 4.0	377,080	846
voices	reference clip, transcript and description of each designed voice	CC BY 4.0	2,752 voices

• Voices. 2,752 designed identities, each created from a written description with VoxCPM2's voice design and kept stable across its clips through a reference clip, plus one-off voices designed for a single clip. Roughly balanced by hours: 53.5% female, 46.5% male. Ages, pitch, pace and recording character vary with the descriptions.
• Three ways of speaking: reference (the designed voice reading plainly), reference+instruction (the same voice following a style instruction such as "Speak like a calm, reassuring nurse, slowly and softly"), and voice-design (a new voice made from the description alone).
• Text covers everyday service language (appointments, banking, cargo, support), numbers, dates, times, money, phone numbers, addresses and names, plus general web and encyclopedia prose. text is the sentence as written; text_spoken is what was read, after our Turkish normaliser wrote numbers and abbreviations out as spoken.
• Recording conditions. About 45% of clips also have audio_channel: the same clip passed through a simulated room, microphone (headset, lapel, laptop or phone), background noise and level drift, with a caption of those conditions in English and Turkish. audio is always the clean version.

Quality control

Every clip passed automatic checks; failing clips were removed:

• intelligibility: Whisper large-v3 (turbo) transcript against the text, character error rate at most 5% or one edit (qc_cer);
• naturalness: UTMOS22 at least 2.5 (qc_utmos); voice consistency: ECAPA similarity to the voice's reference (qc_speaker_sim); gender of designed voices checked against their pitch (qc_f0_median);
• no runaways or truncations: speaking rate between 7 and 25 characters per second;
• a post-filter (postfilter: resclip) that removes a faint high-frequency "whistle" the generator adds in the 7–12 kHz band.

Medians over the release: CER 0.0, UTMOS 3.59.

Loading

from datasets import load_dataset
ds = load_dataset("cloud0day3/alania-synthetic-speech-tr", "cc-by", split="train", streaming=True)
row = next(iter(ds))
print(row["text"], row["voice_description"], row["audio"]["sampling_rate"])

Licence and attribution

• cc-by and voices: CC BY 4.0. The FineWeb-2 text is used under ODC-By 1.0 and remains subject to Common Crawl's terms of use; text_doc_id keeps its source id.
• cc-by-sa: CC BY-SA 4.0, because it reads Turkish Wikipedia. text_source_url links every clip to its article; derivatives must keep the same licence.

You may use it for any purpose, including commercial use and training models, as long as you credit PatientDesk AI:

Alania Turkish Synthetic Speech by PatientDesk AI (https://huggingface.co/datasets/cloud0day3/alania-synthetic-speech-tr), licensed under CC BY 4.0 / CC BY-SA 4.0.

@misc{patientdesk2026alaniasyntheticspeech,
  title        = {Alania Turkish Synthetic Speech},
  author       = {{PatientDesk AI}},
  year         = {2026},
  howpublished = {\url{https://huggingface.co/datasets/cloud0day3/alania-synthetic-speech-tr}},
  note         = {3,411 h of AI-generated Turkish speech, CC BY 4.0 / CC BY-SA 4.0}
}

How it was made

• Generator: openbmb/VoxCPM2 (Apache-2.0) at revision 32279eff, served with Nano-vLLM-VoxCPM, 10 diffusion steps, classifier-free guidance 2.0, September 2026. Generation settings and seeds are in every row.
• Voices: written descriptions sampled over gender, age, pitch, timbre, pace, manner and recording character, rendered with VoxCPM2 voice design; similar voices were de-duplicated by speaker embedding.
• Loudness: edge silence trimmed to 0.1 s, active speech normalised to -20 dBFS, peaks at most -1 dBFS.

Changelog

• v1.3 (4 October 2026): the clips removed in v1.2 were re-rendered with the corrected reading (same voice, mode and seed); the 69,442 that passed full QC (163 hours) are back. The 14,349 whose re-render failed QC stay out and are listed in known_issues/removed_v1.3.csv.gz.
• v1.2 (4 October 2026): every clip now says what text_spoken says under our v1.2 normaliser. A native-speaker review corrected our initialism readings: plain Turkish letter names joined into one word, with K as "ka" and H as "he" ("SGK" → "segeka", "TBMM" → "tebememe", "KDV" → "kadeve"; v1.0 used formal spaced letter names, and the "es-ge-ka" style we announced as the fix was also wrong). Amounts, decimals, lone letters, units and abbreviations were corrected too (see Alania Turkish Domain Text v1.2). 95,850 clips (237 hours) were replaced by re-renders that say the corrected reading; 83,791 clips (196 hours) without one were removed; v1.3 re-rendered them. The v1.0 list of affected clips is gone, since none of them remain in their old form. v1.0 stays available at the v1.0 tag. Thanks to the community feedback that started this.

Limitations and responsible use

• This is synthetic speech. It inherits VoxCPM2's accent, prosody and artefacts, and it is cleaner and more uniform than real recordings. For ASR or TTS, mix it with real speech rather than training on it alone.
• Automatic QC is not listening: some clips still misread a word, stress it oddly or sound flat.
• Do not use it to imitate real people or to pass generated speech off as human. Label audio made with models trained on it as AI-generated where the law requires (for example the EU AI Act).
• Sentences from the web and Wikipedia may contain errors or dated statements; the voice-agent sentences are invented, and any match with a real person, phone number or account is coincidental.

---

Türkçe

English · Türkçe

2.752 tasarlanmış ses ve tek seferlik seslerle okunmuş, 48 kHz, 3.411 saatlik (2.037.461 kayıt) Türkçe konuşma. Her kayıtta yazılı cümle, okunduğu hâli ve sesin sade bir İngilizce tarifi bulunur. Kayıtların tamamı yapay zekâ ile üretilmiştir: veri setinde hiçbir gerçek kişinin sesi yoktur.

Bu veri setini, speech.patientdesk.ai arkasındaki Türkçe metinden sese modelimiz Alania-2'yi geliştirirken hazırladık. Açık lisanslı Türkçe TTS verisi çok az; en büyük setler birkaç yüz saatlik okuma ya da gönüllü kayıtlardan oluşuyor. Sentetik derlemimizin kimsenin sesini ya da hakkını taşımayan kısmını, Türkçe ses teknolojisi geliştiren herkes kullanabilsin diye yayımlıyoruz.

İçerik

Yapılandırma	Metin	Lisans	Kayıt	Saat
cc-by (varsayılan)	sesli asistan cümlelerimiz ve FineWeb-2 Türkçe	CC BY 4.0	1.660.381	2.565
cc-by-sa	Türkçe Vikipedi	CC BY-SA 4.0	377.080	846
voices	her tasarlanmış sesin referans kaydı, metni ve tarifi	CC BY 4.0	2.752 ses

• Sesler: yazılı tariflerden VoxCPM2 ile tasarlanmış ve referans kayıtla sabit tutulmuş 2.752 ses kimliği ile tek kayıtlık tasarlanmış sesler. Saat bazında yaklaşık dengeli: %53,5 kadın, %46,5 erkek.
• Üç okuma biçimi: reference (tasarlanmış sesin düz okuması), reference+instruction (aynı sesin "Sakin, güven veren bir hemşire gibi, yavaş ve yumuşak konuş" gibi bir üslup yönergesine uyması) ve voice-design (yalnızca tariften yeni bir ses).
• Metin: randevu, bankacılık, kargo ve destek gibi gündelik hizmet dili; sayılar, tarihler, saatler, tutarlar, telefon numaraları, adresler ve isimler; ayrıca genel web ve ansiklopedi metinleri. text yazıldığı hâli, text_spoken Türkçe normalleştiricimizin sayı ve kısaltmaları söylendiği gibi yazdığı, okunan hâlidir.
• Kayıt koşulları: kayıtların yaklaşık %45'inde audio_channel da vardır: aynı kaydın benzetilmiş bir oda, mikrofon (kulaklık, yaka, dizüstü ya da telefon), arka plan gürültüsü ve seviye dalgalanmasından geçmiş hâli ve bu koşulların İngilizce ve Türkçe açıklaması. audio her zaman temiz sürümdür.

Kalite kontrolü

Her kayıt otomatik denetimlerden geçti; geçemeyenler çıkarıldı: Whisper large-v3 (turbo) ile karakter hata oranı en fazla %5 ya da tek düzeltme, UTMOS22 en az 2,5, referans sese ECAPA benzerliği, tasarlanmış seslerde perdeyle cinsiyet denetimi, saniyede 7–25 karakter konuşma hızı ve üreticinin 7–12 kHz bandında eklediği hafif "ıslık" sesini gideren bir son filtre. Ortancalar: CER 0,0, UTMOS 3,59.

Lisans ve atıf

cc-by ve voices CC BY 4.0, cc-by-sa ise Türkçe Vikipedi'yi okuduğu için CC BY-SA 4.0 lisanslıdır; text_source_url her kaydı maddesine bağlar. FineWeb-2 metni ODC-By 1.0 ile kullanılmıştır ve Common Crawl kullanım koşullarına tabidir. Ticari kullanım ve model eğitimi dahil her amaçla kullanabilirsiniz; yeter ki PatientDesk AI'a atıf yapın:

Alania Turkish Synthetic Speech, PatientDesk AI (https://huggingface.co/datasets/cloud0day3/alania-synthetic-speech-tr), CC BY 4.0 / CC BY-SA 4.0 lisansıyla.

Nasıl üretildi

Üretici model openbmb/VoxCPM2 (Apache-2.0), 32279eff sürümü, Nano-vLLM-VoxCPM ile, 10 difüzyon adımı ve 2,0 yönlendirme katsayısıyla, Eylül 2026. Üretim ayarları ve tohum değerleri her satırda yer alır. Kenar sessizlikleri 0,1 saniyeye kırpıldı, konuşma -20 dBFS'e, tepe seviyesi en fazla -1 dBFS'e ayarlandı.

Değişiklikler

• v1.3 (4 Ekim 2026): v1.2'de çıkarılan kayıtlar doğru okunuşla (aynı ses, mod ve tohumla) yeniden üretildi; tam kalite kontrolünden geçen 69.442 kayıt (163 saat) geri eklendi. Yeniden üretimi kontrolden geçemeyen 14.349 kayıt dışarıda kalıyor ve known_issues/removed_v1.3.csv.gz dosyasında listeleniyor.
• v1.2 (4 Ekim 2026): artık her kayıt, text_spoken sütununda v1.2 normalleştiricimizle yazılan hâli söylüyor. Anadili Türkçe olan birinin kontrolüyle kısaltma okunuşlarımız düzeltildi: harflerin düz Türkçe adları tek kelime olarak, K "ka" ve H "he" ("SGK" → "segeka", "TBMM" → "tebememe", "KDV" → "kadeve"; v1.0 harf adlarını ayrı ayrı okuyordu, düzeltme diye duyurduğumuz "es-ge-ka" biçimi de yanlıştı). Tutarlar, ondalıklar, tek harfler, birimler ve kısaltmalar da düzeltildi (ayrıntılar Alania Turkish Domain Text v1.2'de). 95.850 kayıt (237 saat) doğru okunuşu söyleyen yeniden üretilmiş sürümleriyle değiştirildi; yeniden üretilmiş sürümü olmayan 83.791 kayıt (196 saat) çıkarıldı; v1.3'te yeniden üretildiler. v1.0'daki etkilenen kayıtlar listesi kaldırıldı, çünkü o kayıtların hiçbiri eski hâliyle kalmadı. v1.0, v1.0 etiketinde duruyor. Bu düzeltmeyi başlatan topluluk geri bildirimine teşekkürler.

Sınırlamalar ve sorumlu kullanım

• Bu sentetik konuşmadır. VoxCPM2'nin aksanını, tonlamasını ve kusurlarını taşır; gerçek kayıtlardan daha temiz ve tekdüzedir. ASR ya da TTS için tek başına değil, gerçek konuşmayla karıştırarak kullanın.
• Otomatik denetim dinlemenin yerini tutmaz: bazı kayıtlarda yanlış okunan ya da tuhaf vurgulanan kelimeler kalabilir.
• Gerçek kişileri taklit etmek ya da üretilmiş sesi insan sesi gibi sunmak için kullanmayın. Bu veriyle eğitilen modellerin ürettiği sesleri, yasaların gerektirdiği yerlerde (örneğin AB Yapay Zekâ Yasası) yapay olarak etiketleyin.

İletişim: sezgin@patientdesk.ai