---
title: da-fei-yu-girl-voice-ja
canonical_url: "https://www.modelscope.cn/datasets/YinZilu/da-fei-yu-girl-voice-ja"
md_url: "https://www.modelscope.cn/datasets/YinZilu/da-fei-yu-girl-voice-ja.md"
repository: YinZilu/da-fei-yu-girl-voice-ja
chinese_name: "大肥鱼（自调少女音色）日语语音数据集"
last_updated: 2026-11-09
license: cc-by-nc-4.0
storage_size: "103 MB"
downloads: 3455
stars: 2
---

# da-fei-yu-girl-voice-ja

> da-fei-yu-girl-voice-ja - YinZilu 在 ModelScope 开源的数据集。由 Bilibili UP 主尹紫鹭幻想社自行调制并使用的「大肥鱼」少女音色日语合成语音数据集。包含 81 条带日文文本的唯一语音（约 13 分 17 秒），附辅助中文译文；适用于非商业 TTS、GPT-SoVITS 与 RVC 实验，提供训练准备脚本与文件校验。

YinZilu/da-fei-yu-girl-voice-ja 是 ModelScope 魔搭社区上的数据集，存储大小 103 MB，采用 cc-by-nc-4.0 许可。

- **Repository**: YinZilu/da-fei-yu-girl-voice-ja
- **License**: cc-by-nc-4.0
- **Storage size**: 103 MB
- **Downloads**: 3455
- **Stars**: 2
- **Last updated**: 2026-11-09

Source: https://www.modelscope.cn/datasets/YinZilu/da-fei-yu-girl-voice-ja

---

# 大肥鱼（自调少女音色）日语语音数据集

![大肥鱼角色封面](assets/cover.png)

> 服装形象参考自 @ZipZipPipe 的二创设计，该设计基于 @上善无形 创作的鲸鱼娘形象进行二次创作；相关角色设计遵循 CC BY-NC-SA 4.0 协议。

这是一套由 **尹紫鹭幻想社（Bilibili）** 整理发布的日语合成语音数据集，使用自行调制并使用的「大肥鱼」少女音色。提供单一音色的音频、逐条日文文本和辅助中文译文，可用于非商业 TTS、GPT-SoVITS 与 RVC 实验。

「DeepSeek / 大肥鱼」为角色称呼，本数据集并非 DeepSeek 官方发布，不代表官方授权或背书。对白中的 AI 助手、人物关系和情节均为角色设定。

## 当前版本：v0.1.0（2026-11-08）

| 项目 | 内容 |
| --- | --- |
| 音频 / 文本 | **81 条唯一语音 / 81 份日文转写** |
| 总时长（含停顿） | **796.839 秒（13 分 16.839 秒）** |
| 单条时长 | 4.362–15.073 秒 |
| 格式 | 44.1 kHz、单声道、24-bit PCM WAV |
| 语言 / 说话人 | `ja` / `da_fei_yu` |
| 划分 | 仅 `train`，未划分验证集或测试集 |

内容包括日常对话、任务与思考、白米饭、音乐创作、角色互动、季节景物和轻声陪伴。所有条目均有实际音频；不包含无对应音频的候选台词或背景音乐。

## 文件与字段

```text
README.md
LICENSE.md
prepare_training.py
verify_dataset.py
SHA256SUMS.txt
assets/cover.png
train/
  metadata.csv
  audio/dwg_ja_0001.wav ... dwg_ja_0081.wav
  text/dwg_ja_0001.txt ... dwg_ja_0081.txt
annotations/
  speech.csv
  audio_checksums.csv
```

沿用中文集的 `train/audio/`、`train/text/` 与 CSV 配对结构；`train/metadata.csv` 的 `file_name` 相对于 `train/`。

所有 CSV 使用带 BOM 的 UTF-8 编码，方便 Windows 表格软件识别日文与中文。Python 读取时请使用 `encoding="utf-8-sig"`，自动去除表头前的 BOM。

| 字段 | 含义 |
| --- | --- |
| `file_name` | 音频相对路径 |
| `text` | 日文朗读文本，不含标题、编号或表演提示标签 |
| `speaker_id` | 统一为 `da_fei_yu` |
| `style` | `neutral`：未单独分组；`playful`：俏皮 |
| `duration_seconds` | 解码后实际时长，单位秒，含停顿 |
| `sample_rate` / `channels` | 44100 Hz / 1 声道 |
| `tag` | `soft`：轻声；空值：未单独标注 |
| `language` | 日语 `ja` |

情绪与发声方式分别记录，`neutral` 不表示毫无情绪，空 `tag` 不等于正常音量。`style` 中 neutral 为 79 条、playful 为 2 条；轻声 soft 为 9 条。标签为台词层面的提示类别，未经独立听感评级；段内情绪变化不另做强制标注。

`annotations/speech.csv` 提供相同的 style、tag、中文释义、辅助中文译文、核对状态及音频 SHA-256。中文译文供理解内容，不是朗读目标。`annotations/audio_checksums.csv` 提供音频文件哈希和原采样率下的 PCM24 解码哈希；`SHA256SUMS.txt` 覆盖除自身外的全部发布文件。

## 使用方法

### 从 ModelScope 下载

使用 [ModelScope 官方 Hub 客户端](https://github.com/modelscope/modelscope_hub)（Python 3.10+）下载完整数据集：

```bash
python -m pip install -U modelscope-hub
ms-hub download YinZilu/da-fei-yu-girl-voice-ja --repo-type dataset --local-dir ./da-fei-yu-girl-voice-ja
```

### 读取音频与文本

下载或解压完整项目后，在项目目录运行；读取 CSV 只需 Python 3：

```python
import csv
from pathlib import Path

root = Path('.')
with (root / 'train/metadata.csv').open(encoding='utf-8-sig', newline='') as f:
    samples = list(csv.DictReader(f))
sample = samples[0]
print(root / 'train' / sample['file_name'])
print(sample['text'])
```

### 完整性检查

完整性检查只使用 Python 标准库，验证所有文件哈希、音频与文本配对、重复 PCM、时长和 WAV 容器：

```bash
python verify_dataset.py
```

### 可选：准备训练文件

准备训练输入需另安装 FFmpeg 并加入 PATH：

```bash
python prepare_training.py --format gpt-sovits --output ../gpt_sovits_ja_ready
python prepare_training.py --format rvc --output ../rvc_ja_ready
```

GPT-SoVITS 输出 32 kHz、单声道、16-bit WAV 与 `gpt_sovits.list`，语言字段固定为 **`ja`**；清单使用运行机器上的绝对路径。RVC 输出 40 kHz、单声道、16-bit WAV。两者均附带含日文文本、style、tag 和 language 的 `metadata.csv`，可用 `--sample-rate` 调整采样率。输出目录须为项目外的新目录或空目录；脚本只准备输入，不启动训练。

## 数据处理与局限

音频已按解码 PCM 内容去重，并统一编号。全部音频从有损编码解码为 24-bit PCM WAV，保留 44.1 kHz、单声道；没有额外变速、降噪、归一化、裁剪或补静音。转换不会恢复有损编码已经丢失的信息。

发布音频容器仅保留格式与波形数据块，文本清单仅保留配对、训练和核验所需字段。日文台词通过日语 ASR 辅助逐条匹配核对；尚未完成独立人工逐条听感及发音审核，识别结果不直接替代已有台词。短句保留实际长度，训练时请按框架要求筛选。数据规模较小，未来划分评测集时应按文本内容分组，避免近似台词泄漏。

## 许可与使用

音频、转写和元数据沿用中文集的 [CC BY-NC 4.0](https://creativecommons.org/licenses/by-nc/4.0/) 许可。转载或改编须注明作者 **尹紫鹭幻想社（Bilibili）**、本数据集仓库链接、许可链接及修改情况；商业使用须另行获得授权。相关角色设计许可及署名见上方声明和 `LICENSE.md`。训练框架和模型权重的许可另行适用。

## 更新记录

- **v0.1.0（2026-11-08）**：整理 81 条带日文文本的唯一语音，提供辅助中文译文、统一音频格式、训练准备脚本与完整性校验；已移除两条内容重叠的自我介绍。
