v1.3: re-rendered clips added back; card and known issues

README.md

@@ -32,7 +32,7 @@ configs:
 
 **English** · [Türkçe](#türkçe)
 
-**3,248 hours** of 48 kHz Turkish speech in 1,968,019 clips, spoken by 2,752 designed voices plus
+**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.
 
@@ -45,8 +45,8 @@ carries no one else's voice or rights, so others building Turkish voice technolo
 
 | Config | Text | Licence | Clips | Hours |
 |---|---|---|---:|---:|
-| `cc-by` (default) | our voice-agent sentences ([Alania Turkish Domain Text](https://huggingface.co/datasets/cloud0day3/alania-domain-text-tr)) and FineWeb-2 Turkish | CC BY 4.0 | 1,607,412 | 2,450 |
-| `cc-by-sa` | Turkish Wikipedia | CC BY-SA 4.0 | 360,607 | 798 |
+| `cc-by` (default) | our voice-agent sentences ([Alania Turkish Domain Text](https://huggingface.co/datasets/cloud0day3/alania-domain-text-tr)) 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
@@ -74,7 +74,7 @@ Every clip passed automatic checks; failing clips were removed:
 - 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 3.60.
+Medians over the release: CER 0.0, UTMOS 3.59.
 
 ## Loading
 
@@ -102,7 +102,7 @@ You may use it for any purpose, including commercial use and training models, **
   author       = {{PatientDesk AI}},
   year         = {2026},
   howpublished = {\url{https://huggingface.co/datasets/cloud0day3/alania-synthetic-speech-tr}},
-  note         = {3,248 h of AI-generated Turkish speech, CC BY 4.0 / CC BY-SA 4.0}
+  note         = {3,411 h of AI-generated Turkish speech, CC BY 4.0 / CC BY-SA 4.0}
 }
 ```
 
@@ -117,14 +117,16 @@ You may use it for any purpose, including commercial use and training models, **
 
 ## 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`](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](https://huggingface.co/datasets/cloud0day3/alania-domain-text-tr)
   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 and are listed in
-  [`known_issues/removed_v1.2.csv.gz`](known_issues/removed_v1.2.csv.gz); we plan to add them back once re-rendered.
+  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.
 
@@ -144,7 +146,7 @@ You may use it for any purpose, including commercial use and training models, **
 
 [English](#alania-turkish-synthetic-speech) · **Türkçe**
 
-2.752 tasarlanmış ses ve tek seferlik seslerle okunmuş, 48 kHz, **3.248 saatlik** (1.968.019 kayıt)
+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.
 
@@ -157,8 +159,8 @@ teknolojisi geliştiren herkes kullanabilsin diye yayımlıyoruz.
 
 | Yapılandırma | Metin | Lisans | Kayıt | Saat |
 |---|---|---|---:|---:|
-| `cc-by` (varsayılan) | sesli asistan cümlelerimiz ve FineWeb-2 Türkçe | CC BY 4.0 | 1.607.412 | 2.450 |
-| `cc-by-sa` | Türkçe Vikipedi | CC BY-SA 4.0 | 360.607 | 798 |
+| `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
@@ -178,7 +180,7 @@ teknolojisi geliştiren herkes kullanabilsin diye yayımlıyoruz.
 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 3,60.
+son filtre. Ortancalar: CER 0,0, UTMOS 3,59.
 
 ## Lisans ve atıf
 
@@ -197,15 +199,16 @@ yer alır. Kenar sessizlikleri 0,1 saniyeye kırpıldı, konuşma -20 dBFS'e, te
 
 ## 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`](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](https://huggingface.co/datasets/cloud0day3/alania-domain-text-tr)
   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 ve
-  [`known_issues/removed_v1.2.csv.gz`](known_issues/removed_v1.2.csv.gz) dosyasında listeleniyor; yeniden
-  üretildiklerinde geri ekleyeceğiz. v1.0'daki etkilenen kayıtlar listesi kaldırıldı, çünkü o kayıtların hiçbiri eski
+  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

known_issues/{removed_v1.2.csv.gz → removed_v1.3.csv.gz}

@@ -1,3 +1,3 @@
 version https://git-lfs.github.com/spec/v1
-oid sha256:759d077d028f265b36bfdb043cfe8f937f4752c00178775a55398284cee33586
-size 985504
+oid sha256:cae771f06a59c527157bb6802a9a5310a333b18bfe9c64d10ed711e40ef54fc5
+size 176853