---
title: Qwen3-1.7-TTS-SFT-Furina
canonical_url: "https://www.modelscope.cn/datasets/qsdong/Qwen3-1.7-TTS-SFT-Furina"
md_url: "https://www.modelscope.cn/datasets/qsdong/Qwen3-1.7-TTS-SFT-Furina.md"
repository: qsdong/Qwen3-1.7-TTS-SFT-Furina
last_updated: 2026-06-07
license: "Apache License 2.0"
storage_size: "193 MB"
downloads: 306
stars: 0
---

# Qwen3-1.7-TTS-SFT-Furina

> Qwen3-1.7-TTS-SFT-Furina - qsdong 在 ModelScope 开源的数据集。Furina Speech Dataset (芙宁娜语音数据集)

qsdong/Qwen3-1.7-TTS-SFT-Furina 是 ModelScope 魔搭社区上的数据集，存储大小 193 MB，采用 Apache License 2.0 许可。

- **Repository**: qsdong/Qwen3-1.7-TTS-SFT-Furina
- **License**: Apache License 2.0
- **Storage size**: 193 MB
- **Downloads**: 306
- **Stars**: 0
- **Last updated**: 2026-06-07

Source: https://www.modelscope.cn/datasets/qsdong/Qwen3-1.7-TTS-SFT-Furina

---

# Furina Speech Dataset (芙宁娜语音数据集)

## 数据集简介

本数据集为游戏角色 **「芙宁娜（Furina）」** 的中文/英文语音素材，共 **832 条**，专为 [Qwen3-TTS](https://github.com/QwenLM/Qwen3-TTS) 文本转语音大模型的**全量微调（Full Fine-Tuning）** 而构建。数据集包含原始音频（24kHz WAV）、对应文本标注（.lab 文件）、统一参考音频（ref.wav），以及与 Qwen3-TTS 训练流程兼容的 JSONL 格式标注文件。

## 数据集动机

Qwen3-TTS 提供了强大的 Base 声音克隆模型，但要将模型从"通用声音克隆"进一步适配为"预设说话人（CustomVoice）模型"，需要针对特定说话人进行微调。本数据集提供了芙宁娜这一单一说话人的高质量语音-文本配对数据，覆盖多种语境和句式，便于开发者复现从 Base → CustomVoice 的全量微调流程。

## 数据来源与预处理

原始音频素材来自《原神》游戏内芙宁娜角色的语音台词（采样率 48kHz），经过以下 **5 步预处理**：

| 步骤 | 操作 | 说明 |
|------|------|------|
| 1 | 时长过滤 | 使用 `ffprobe` 检测时长，保留 **3 秒 ~ 15 秒** 的音频（太短信息不足，太长显存消耗高） |
| 2 | 文件重命名 | 按顺序重命名为 `furina_0001` ~ `furina_0832` |
| 3 | 重采样 | 使用 `ffmpeg` 从 48kHz 重采样至 **24kHz 单声道**（适配 Qwen3-TTS 12Hz 分词器） |
| 4 | 参考音频选择 | 自动选取数据集中**时长最长**的音频作为统一参考音频 `ref.wav`，保证说话人音色一致性 |
| 5 | 生成 JSONL 标注 | 生成 `train_raw.jsonl`，每行包含 `audio`、`text`、`ref_audio` 三个字段 |

## 数据集统计

| 统计项 | 数值 |
|--------|------|
| 音频总数 | **832 条** |
| 文件总数 | **1,665**（832 .wav + 832 .lab + 1 ref.wav） |
| 采样率 | 24,000 Hz |
| 声道数 | 1（单声道） |
| 位深 | 16-bit |
| 格式 | WAV（PCM） |
| 时长范围 | 3 秒 ~ 15 秒 |
| 参考音频时长 | 8.24 秒 |
| 语言 | 中文为主，含少量英文 |
| 说话人数量 | 1 人（芙宁娜） |
| 训练集大小 | 832 条（全部用于训练，无验证集划分） |
| 总音频时长 | 约 2 小时 |
| 音频编码格式 | 12Hz, 16 层量化（通过 Qwen3-TTS-Tokenizer-12Hz 提取） |

## 数据集结构

```
data/
├── ref.wav                # 统一参考音频（全数据集使用同一条，8.24s）
├── furina_0001.wav        # 音频文件 1
├── furina_0001.lab        # 文本标注文件 1
├── furina_0002.wav        # 音频文件 2
├── furina_0002.lab        # 文本标注文件 2
├── ...
├── furina_0832.wav        # 音频文件 832
└── furina_0832.lab        # 文本标注文件 832
```

## 数据格式说明

### .wav 文件
- 格式：WAV (PCM)
- 采样率：24,000 Hz, 单声道, 16-bit

### .lab 文件
- 纯文本文件，内容为对应音频的文本标注（UTF-8 编码）
- 示例内容：`我不是俱乐部的会员。只是一大早被克洛琳德敲门叫醒，说有个不错的剧本可以体验，这才决定加入的。`

### train_raw.jsonl
每行一个 JSON 对象，包含三个字段：

```json
{
  "audio": "data/furina_0001.wav",
  "text": "我不是俱乐部的会员。只是一大早被克洛琳德敲门叫醒，说有个不错的剧本可以体验，这才决定加入的。",
  "ref_audio": "data/ref.wav"
}
```

| 字段 | 说明 |
|------|------|
| `audio` | 音频文件的相对路径 |
| `text` | 音频对应的文本标注 |
| `ref_audio` | 参考音频的相对路径（全数据集统一为 `data/ref.wav`） |

### train_with_codes.jsonl
在 `train_raw.jsonl` 基础上增加 `audio_codes` 字段，包含 Qwen3-TTS-Tokenizer-12Hz 提取的音频离散编码（形状为 `[T, 16]`，T 为编码帧数，16 为量化器层数）。

## 使用方式

### 通过 ModelScope SDK 下载

```python
from modelscope import MsDataset

ds = MsDataset.load("YourUsername/Furina-Speech-Dataset")
```

### 通过 Git Clone 下载

```bash
git clone https://www.modelscope.cn/datasets/YourUsername/Furina-Speech-Dataset.git
```

### 配合 Qwen3-TTS 微调使用

本数据集可直接用于 Qwen3-TTS 的全量微调训练：

```bash
# 1. 克隆 Qwen3-TTS 仓库
git clone https://github.com/QwenLM/Qwen3-TTS.git
cd Qwen3-TTS/finetuning

# 2. 将本数据集放入 finetuning/data/ 目录

# 3. 提取音频编码（如使用已提供的 train_with_codes.jsonl 可跳过）
python prepare_data.py \
  --device cuda:0 \
  --tokenizer_model_path Qwen/Qwen3-TTS-Tokenizer-12Hz \
  --input_jsonl train_raw.jsonl \
  --output_jsonl train_with_codes.jsonl

# 4. 启动全量微调训练
python sft_12hz.py \
  --init_model_path Qwen3-TTS-12Hz-1.7B-Base \
  --output_model_path output \
  --train_jsonl train_with_codes.jsonl \
  --batch_size 2 \
  --lr 1e-6 \
  --num_epochs 10 \
  --speaker_name furina
```

## 微调效果

使用本数据集对 Qwen3-TTS-12Hz-1.7B-Base 进行 10 epoch 全量微调后，模型在 20 条测试样本上的量化指标如下：

| 指标 | Base (x-vector) | SFT (epoch-4) | 改善幅度 |
|:---|---:|---:|:---:|
| Mel MSE ↓ | 2.043 | **1.861** | **-8.9%** |
| Mel Cosine ↑ | 0.906 | **0.921** | **+1.6%** |
| MFCC Cosine ↑ | 0.737 | **0.777** | **+5.4%** |
| STFT Cosine ↑ | 0.148 | **0.153** | **+3.1%** |

> ⚠️ 注意：微调时建议使用较小的学习率（如 `1e-6`），官方默认的 `2e-5` 在本数据集上会导致生成质量崩溃（输出噪声）。详见后文「已知问题」章节。

## 已知问题与建议

1. **学习率选择**：全量微调 1.7B 模型 + 小数据集场景下，官方默认学习率 `2e-5` 不适用，建议从 `1e-6` 起步。
2. **不要仅依赖 Loss**：训练过程中建议定期进行推理验证（每个 epoch 结束后生成测试样本），Loss 下降 ≠ 生成质量提升。
3. **数据多样性**：当前数据集以芙宁娜的游戏内日常对话为主，在极端情绪表达方面覆盖有限。
4. **无验证集**：832 条数据全部用于训练，建议评估时自行切分独立测试集。

## 许可证

本数据集采用 [Apache License 2.0](https://www.apache.org/licenses/LICENSE-2.0) 许可证。

数据集中的音频和文本素材版权归原版权方（miHoYo / HoYoverse）所有。本数据集仅供学术研究和学习使用，不得用于商业目的。

## 引用

如果你使用了本数据集，请引用：

```bibtex
@misc{furina-speech-dataset,
  title = {Furina Speech Dataset for Qwen3-TTS Fine-Tuning},
  author = {Dong Qingsen},
  year = {2026},
  howpublished = {\url{https://www.modelscope.cn/datasets/YourUsername/Furina-Speech-Dataset}},
}
```

以及 Qwen3-TTS 原论文：

```bibtex
@misc{qwen3tts2026,
  title = {Qwen3-TTS: A Large Language Model based Text-to-Speech System},
  author = {Qwen Team, Alibaba Group},
  year = {2026},
  eprint = {2601.15621},
  archivePrefix = {arXiv},
  url = {https://arxiv.org/abs/2601.15621},
}
```

## 联系方式

如有问题或建议，欢迎通过 ModelScope 数据集页面提交 Issue，或联系数据集维护者。