随着多模态大模型技术的快速迭代，语音作为核心交互入口的价值持续凸显，其中离散语音标记技术因可与大语言模型的Token体系天然适配，成为当前语音AI领域的研发热点。但长期以来，行业内缺乏经过标准化预处理的高质量离散语音标记数据集，多数研发团队需要自行完成音频采集、降噪、量化编码等全流程预处理工作，占用大量研发资源，也抬高了中小团队的准入门槛。
本次Trelis发布的libritts-snac-tokens正是瞄准这一行业需求推出的语音合成标记数据集，其基于开源领域认可度极高的LibriTTS-R多说话人英语语音语料库构建，核心内容是将原始24kHz音频信号，通过hubertsiuzdak/snac_24khz分层残差向量量化（RVQ）编解码器进行编码，生成标准化的离散标记序列。编码过程采用Orpheus风格的交错模式：每个音频帧（1/12秒）对应7个标记，分别来自三个量化层级（L0, L1, L2），从而形成平坦的84帧/秒的标记流，整个标记词汇表大小为12288，其中L0、L1、L2三个层级各占4096个条目。
数据集的划分完全遵循源LibriTTS-R的划分规则，并经过parler-tts过滤，包含train.clean.100、train.clean.360、train.other.500和dev.clean四个子集，总计约538小时的音频内容。每个数据样本（对应单条话语）包含唯一标识符 `id`、说话人ID `speaker`、音频时长（秒）`duration`、规范化文本 `text` 以及核心的编解码器标记序列 `codes` 五个字段，可直接导入模型训练流程使用。
从应用场景来看，该数据集适用于所有需要高质量离散语音表示的研发场景：在语音合成领域，可支撑实时语音生成、多说话人语音克隆、个性化语音助手、有声书自动生成等产品的模型训练；在语音表示学习领域，可用于低资源语音识别预训练、语音特征提取模型优化、语音情感/意图识别模型训练等研发任务；此外，标准化的离散语音标记数据也可为语音内容审核、语音数字水印、语音隐写检测等安全类应用提供训练素材。该数据集采用CC-BY-4.0开源许可证，与源数据集协议一致，支持商业使用，可大幅降低研发团队的预处理成本，缩短产品迭代周期，也为语音AI领域的技术复用、成果落地提供了公共数据要素支撑。
Dataset card内容：
Files and versions内容：
_1769672084863.jpg)