日期：2026年 08月 29日

標籤： GPT-SoVITS GPT-SoVITS v2 TTS Voice Cloning CC0 Public Domain Creative Commons LJSpeech LibriTTS OpenSLR Mozilla Data Collective Common Voice ChatGPT CodeX

摘要：生成式AI

第一部分：Licenses - 公有領域、CC0、CC BY 4.0 說明

Step 1：前言：開放可下載 - 並非屬於公有領域

上一篇已經完成 GPT-SoVITS v2 的資料前處理、訓練與推理
但真正要把生成聲音放進商業產品時，第一個問題不是模型參數，而是： 「我是否有權使用這些聲音？」
正確做法：我們應該從資料集的官方來源確認授權，並保存下載當下的授權文字與版本。

Step 2：公有領域、CC0、CC BY 4.0 說明

以下是公有領域、CC0、CC BY 4.0 的核心意義說明。
公有領域(Public Domain)：

代表目前這個作品【沒有任何著作權保護，最終目的都是讓作品可以被任何人自由使用】
通常成為 Public Domain是因為以下幾種原因：
1. 著作權保護期滿：例如貝多芬的交響樂、莎士比亞的小說（作者死後已超過 50 或 70 年）。
2. 不適用著作權保護：例如法律條文、政府官方公報。
3. 歷史古老檔案：在近代著作權法誕生前就存在的文物。

CC0 ：

Creative Commons 提供的法律工具，讓【權利人盡可能在全球範圍內拋棄著作權與相關權利，將作品貢獻給公眾使用。】
由於各國法律對權利拋棄的承認程度不同，CC0 還包含備援授權機制：若某地區無法完整拋棄權利，則在條款範圍內提供廣泛、免權利金的使用許可。

CC BY 4.0 ：

CC BY 4.0 沒有「相同方式分享」的限制。它允許你自由重製、修改、散布，並允許完全的商業利用。唯一義務：你只【需要在模型發布頁面或產品說明中，明確標示原語音資料集的作者與出處（姓名標示）即可。】

以下是補充相關參考：
Public Domain 官方說明：Public Domain List
CC0 官方說明：CC0 1.0 Universal
CC BY 4.0 官方說明：Attribution 4.0 International

Step 3：整理使用權

以下是整理合法使用查詢，基本上 CC0 1.0 可以任意使用 , Public Domain 要看地區與其他權力說明
有點麻煩的 CC BY 4.0 也可以商用，但要署名、授權、並明確標示有修改

Step 4：CC0 的法律威力有多大？

依照 Creative Commons 的 CC0 說明，在權利人有權處分的範圍內，使用者可以複製、修改、散布與演出作品
也可以用於商業目的，而不必另外取得許可或強制署名。
對資料工程而言，CC0 的優勢是減少以下不確定性：

不過，這裡的關鍵詞一直都是「CC0 涵蓋的權利範圍內」，不是「世界上所有法律風險自動消失」。

Step 5：CC0 不等於聲音人格權保證書

Creative Commons 明確提醒，CC0 不影響專利、商標，以及其他人可能擁有的公開形象、隱私或類似人格權
CC0 也不保證套用授權的人真的擁有所有必要權利。

聲音模型特別容易遇到這個落差：

音訊檔案的著作權可以是 CC0
- 說話者同意你以他的身份代言
- 可以暗示說話者支持你的產品
- 可以拿聲音進行詐騙或身分冒充
- 每一個國家都不保護聲音、姓名與人格利益

因此，用 CC0 音檔訓練模型 與 用可辨識人物的聲音建立商業角色 是兩個不同層級的決策。
若模型輸出會讓一般人辨識出特定真人，或產品刻意使用該人物姓名、照片、故事與聲音形象，應另行確認 人格權、公開權、消費者保護、廣告與不實代言等問題

Step 6：CC0 仍需建立資料授權證據包

即使資料採 CC0，也不要只下載音檔後就刪掉所有來源資訊。資料集頁面可能更新、搬家或改版，數月後很難重新證明當時看到的條款。
建議每一個訓練資料集都建立一份授權證據包，例如後續用 ljspeech_v1.1 建立聲音模型，可以這樣建立 licenses：

licenses/
└── ljspeech_v1.1/
    ├── SOURCE_URL.txt
    ├── LICENSE.html
    ├── DATASET_PAGE.pdf
    ├── DOWNLOAD_DATE.txt
    ├── CHECKSUMS.txt
    ├── PROCESSING_LOG.md
    └── MODEL_CARD.md

上述的目錄對應的檔案內容說明(參考)：

這些紀錄不能取代法律審查，但能讓授權來源、模型血緣與後續刪除流程更容易追蹤。

Step 7：商業用途前最終檢查

資料集頁面上雖有 licenses:CC0，但商用前建議還是先檢查以下：

只要其中一層不清楚，就建議先不使用，可能 CC0 來源出處有異動未完整。

第二部分：LJSpeech - 開源語音界的黃金標準，最完美的英文旁白燃料

Step 1：LJSpeech 資料集介紹

LJSpeech 是最常見的單一說話者英文 TTS 資料集之一，由同一位女性說話者朗讀七本非小說類作品的段落，並提供每一段音訊對應的文字。

注意 Licenses：Public Domain (因為區域確定是美國，可以任意商用，製成聲音模型也無問題) 

依照官方 v1.1 頁面，資料集包含以下內容：

官方資料集：The LJ Speech Dataset
可以從中間的 Download 下載上述完整資料 (2.6 GB)

Step 2：為什麼 LJSpeech 適合 GPT-SoVITS？

GPT-SoVITS 最好是用一個個人且乾淨的聲音來訓練模型
而 LJSpeech 本身就是單一說話者資料，音訊長度也已切成句子或子句，因此比大型多人 ASR 語料更容易整理。
以下是其優點：

以下是其應用場景：

LJSpeech 是朗讀語料，語氣較接近有聲書旁白；若目標是自然聊天、遊戲吶喊或廣告情緒，
它只能提供穩定的英文旁白基礎，不會憑空產生資料中不存在的表演風格。

因此若是做為 有聲故事書 是很好的聲音模型

Step 3：使用方式 - 資料夾與 metadata.csv

解壓縮後，主要內容通常如下：

LJSpeech-1.1/
├── metadata.csv
└── wavs/
    ├── LJ001-0001.wav
    ├── LJ001-0002.wav
    └── ...

所有英文朗讀的音訊皆在 wavs 資料夾下

Step 4：資料集說明

文字的集料集在 metadata.csv 中，使用半形 | 分隔三個欄位：

ID|原始逐字稿|正規化逐字稿

建立 GPT-SoVITS 資料時，通常可優先使用第三欄正規化文字：
※實際轉換完成後，仍要試聽比對文字。官方也說明原始錄音來自 128 kbps MP3，因此部分片段可能保留有損壓縮產生的音質瑕疵。

Step 5：LJSpeech 商用時仍要留下哪些資訊？

LJSpeech 官方頁面表示資料在 美國屬於公有領域 ，且不要求署名
頁面同時使用「most likely other countries」描述其他國家，這 不等於對全球所有司法管轄區提供保證
若產品會跨國發行，建議保留以下紀錄並由法律專業人員確認，若是美國可以安心使用：

資料集：LJSpeech v1.1
官方來源：https://keithito.com/LJ-Speech-Dataset/
說話者：Linda Johnson
整理者：Keith Ito
來源作品：官方頁面所列七本作品
下載日期：XXXX-XX-XX
使用資料範圍：XXXX
模型用途：XXXX
生成聲音揭露方式：XXXX

※即使不強制署名，也不要把模型命名成真人姓名並暗示對方提供商業代言。較安全的做法是建立獨立的虛構角色名稱，對外標示聲音由 AI 合成，並避免使用說話者照片或身分包裝產品。

Step 6：LJSpeech GPT-SoVITS - 聲音演示

基於上一篇 GPT-SoVITS 訓練模型的方式來成生聲音
英文朗讀者的腔調來唸颱風新聞稿的內容，新聞來源：

強烈颱風白海豚來勢洶洶，目前正進行眼牆置換，不排除再增強，路徑方面則略為北轉，
可能一路向西進入中國，不過，氣象粉專「台灣颱風論壇｜天氣特急」提醒，
菲律賓東方海域還有熱帶擾動發展，預估未來路徑將180度大迴轉，最後被白海豚吞併。

若無法從網頁撥放可以點擊下載

第三部分：OpenSLR - 開放式多國語言資料庫

Step 1：OpenSLR 介紹

OpenSLR 主旨是一個託管語音 + 語言資源的網站，來自官方的 About OpenSLR：
優點是有多個國家的語言，包含印度、中國、葡萄牙等等…
缺點是大多是CC BY 4.0 (標註出處等相關資訊)

OpenSLR is a site devoted to hosting speech and language resources, 
such as training corpora for speech recognition, 
and software related to speech recognition. 
We intend to be a convenient place for anyone to put resources that they have created,
so that they can be downloaded publicly.

Step 2：OpenSLR 資料集介紹

OpenSLR 提供多個子集，進入 Resources 頁面：
有分成多種類的資源，如果要訓練語音模型會以 Speech 為目標，取得演講者的聲訊：

OpenSLR 所有子集並非都是 Public Domain、CC0，大多是CC BY 4.0

Step 3：資料集使用方式 - SLR60

我們以 SLR60 為例，進入該頁面後，有多個子集合可以選擇下載：
但要注意 Licenses：CC BY 4.0 (商用需標註相關資訊)

要做單一 GPT-SoVITS 聲線時，可以先下載 dev-clean 研究 Speaker 結構
再決定是否需要取得較大的其他 Train 子集

Step 4：資料集使用方式 - 完美的已分類

LibriTTS 的資料夾會依 Speaker ID、Chapter ID 分層。
因為資料集已經將說話者的聲音分類，因此訓練單一 GPT-SoVITS 模型時，可以輕鬆鎖定一個 Speaker ID

LibriTTS/
└── dev-clean/
    └── Speaker_ID/
        └── CHAPTERS/
            ├── XXXX_XXXX_XXXX.wav
            ├── XXXX_XXXX.book.tsv
            ├── XXXX_XXXX.trans.tsv
            ├── XXXX_XXXX.trans.original.txt
            └── XXXX_XXXX.trans.normalized.txt

Step 5：CC BY 4.0 如何正確署名？

LibriTTS 不是 CC0，而是 CC BY 4.0。
※因為 CC BY 4.0 也並未需要商用的關係，因此 跳過 OpenSLR 聲音演示

該授權允許複製、修改與商業使用，但必須提供適當署名、附上授權連結。
並指出是否進行修改；也不能用署名方式暗示原作者或資料提供者替你的產品背書。

實際署名內容仍應依 CC BY 4.0 條款、官方資料集頁面提供的引用資訊與產品呈現方式調整。

可在模型卡、產品授權頁或專案 About 頁加入類似下圖內容，Template 參考來源：wikimedia Template:Cc-by-4.0

第四部分：Mozilla Data Collective - 安全開源的優質多國語言人聲

Step 1：Mozilla Data Collective 不是單一授權資料庫

Mozilla Data Collective 是資料平台，不是「平台上的所有檔案都是 CC0」的同義詞。

資料提供者可以設定開源、社群治理、付費或其他條款，
因此每一個 Dataset 都要單獨閱讀 License、Restrictions、Forbidden Usage 與 Intended Use。

平台首頁：Mozilla Data Collective
進入後可以選擇 All Datasets 瀏覽所有可下載的資料集

Step 2：Common Voice 是什麼？

Common Voice 是大型群眾協作語音資料計畫，涵蓋多種語言、口音與說話者。
以 2026 年 6 月發布的 Common Voice Scripted Speech 26.0 - Chinese (Taiwan) 為例，官方資料頁標示為 CC0-1.0，內容包含大量台灣人口語語音。
該版本資料頁：Common Voice Scripted Speech 26.0 - Chinese (Taiwan)

資料中常見欄位如下：

Common Voice 是多人、多設備、多環境的 ASR 語料。強項是語言與口音多樣性，不是每位說話者都有足夠且錄音一致的片段可訓練高品質單一 TTS 聲線。

Step 3：CC0 之外，Common Voice 還有下載條件

Common Voice 26.0 English 資料頁雖然標示 CC0-1.0，但同一頁也列出 Forbidden Usage：禁止嘗試判定資料集中說話者的身分，也禁止重新託管或重新分享該資料集。

因此使用時應同時遵守兩個層次：

資料授權：CC0-1.0
平台 / 下載條件：不得嘗試辨識說話者身分、不得重新託管或重新分享資料集

不能因為看到 CC0，就忽略下載時同意的其他條件。模型與產品文件也不應以任何方式推測 client_id 背後的真實人物。

Step 4：如何使用 - 資料集

解壓縮後，主要資料夾內容通常如下：

cv-corpus-26.0-2026-06-12/
├── clip_durations.tsv
├── dev.tsv
├── invalidated.tsv
├── other.tsv
├── reported.tsv
├── test.tsv
├── train.tsv
├── unvalidated_sentences.tsv
├── validated.tsv
├── validated_sentences.tsv
└── zh-TW/
    └── clips
        ├── common_voice_zh-TW_XXXXXXXX.mp3
        ├── common_voice_zh-TW_XXXXXXXX.mp3
        └── ...

每個聲音檔都在同一個資料夾下，必須要有個機制分類出 相同的說話者聲音，否則無法用於 GPT-SoVITS 訓練

Step 5：分類說話者聲音 - 手動

實際上在 dev.tsv 中，有清楚表描述每個 client_id 對應的 .mp3 檔案，可以用此方式找出同批說話者
可以找出心儀的聲音，然後用 client_id 逐一找出

Step 6：分類說話者聲音 - AI Agent

或者使用 AI Agent 將解壓縮後的資料夾提供給 AI，並授予權限，請求協助分類


最終 ChatGPT AI Agent 的 CodeX 協助分類完成，每個人都在 Speaker_by 資料夾下歸檔，便於日後使用

cv-corpus-26.0-2026-06-12/
├── clip_durations.tsv
├── dev.tsv
├── invalidated.tsv
├── other.tsv
├── reported.tsv
├── test.tsv
├── train.tsv
├── unvalidated_sentences.tsv
├── validated.tsv
├── validated_sentences.tsv
└── zh-TW/
    └── clips
        └── by_speaker
            ├── 00a80d3d246b8f...
                ├── common_voice_zh-TW_XXXXXXXX.mp3
                ├── common_voice_zh-TW_XXXXXXXX.mp3
                └── ...
            ├── 00a90505453fec...
                ├── common_voice_zh-TW_XXXXXXXX.mp3
                ├── common_voice_zh-TW_XXXXXXXX.mp3
                └── ...            
            └── ...

Step 7：Mozilla Data Collective GPT-SoVITS - 聲音演示

基於上一篇 GPT-SoVITS 訓練模型的方式來成生聲音
英文朗讀者的腔調來唸颱風新聞稿的內容，新聞來源：

強烈颱風白海豚來勢洶洶，目前正進行眼牆置換，不排除再增強，路徑方面則略為北轉，
可能一路向西進入中國，不過，氣象粉專「台灣颱風論壇｜天氣特急」提醒，
菲律賓東方海域還有熱帶擾動發展，預估未來路徑將180度大迴轉，最後被白海豚吞併。

此為 台灣人的聲音，因此會比用英語系國家口音，聽起來更為自然

若無法從網頁撥放可以點擊下載