https://blog.jiaqiguo.xyz/tags/%E6%95%B0%E6%8D%AE%E9%9B%86/ Recent content in 数据集 on Jiaqi Hugo zh-cn Tue, 25 Aug 2026 10:30:00 +0800 https://blog.jiaqiguo.xyz/posts/amphion-emilia/ Tue, 25 Aug 2026 10:30:00 +0800 https://blog.jiaqiguo.xyz/posts/amphion-emilia/ 复现难、数据糙，是横在开源语音生成面前的两道坎。港中深同一个团队用两篇 SLT 2024 论文各拆一道：Amphion 把散落的模型收进一个分层工具箱，用追平官方指标的 VALL-E 复现立信；Emilia-Pipe 用六步全开源流水线把野生播客洗成 101k 小时、六种语言的数据集，后来喂出了 MaskGCT 和 Vevo。这篇把两份工作连起来读：架构怎么分层、数据怎么清洗、账本怎么算，以及这套基建两年后长成了什么样。