RealVC 是面向真实社交媒体语音场景的多平台、多语种、多说话人、多编码条件语音真实性研究项目，覆盖抖音、快手、小红书和哔哩哔哩（Bilibili）场景，并同时关注真实语音与合成语音（TTS、声音转换/克隆、重放与压缩扰动）。
本 GitHub 仓库提供一个 500 条样本的可复现演示版：它用来展示数据组织、元数据结构、划分策略和加载/校验工作流，便于复现实验脚手架和审阅项目设计。演示 WAV 由本地程序生成；metadata 中的 platform 字段表示目标场景模型，不表示这些 WAV 是从相应平台抓取而来。演示版不用于衡量检测器效果，也不是完整 RealVC 数据发布版。
RealVC is a multi-platform, multilingual, multi-speaker voice authenticity research project covering Douyin, Kuaishou, Xiaohongshu, and Bilibili scenarios, with real and synthesized speech across codecs and recording conditions. This repository is a reproducible 500-sample demo of the project’s schema and workflow. Its original demonstration WAV files and original metadata are licensed CC BY 4.0; the WAV files are generated locally, and platform models the target scene rather than claiming platform scraping. Do not use this demo as a benchmark.
需要 Python 3.10+，运行时仅使用标准库：
python scripts/build_demo.py --output data/demo --count 500 --seed 20260816
python scripts/validate_demo.py --root data/demo --expected-count 500
python scripts/summarize_demo.py --root data/demo
python examples/load_sample.py --root data/demo --index 0加载器读取 metadata.jsonl，定位相对路径，并用 wave 检查 WAV 头；--root 指定数据根目录，--index 指定 JSONL 的零基样本序号。
data/demo/ # 生成并随仓库分发的演示资产
audio/ # 短 WAV 文件
metadata.csv # CSV 清单
metadata.jsonl # JSONL 清单
summary.json # 统计摘要
splits/ # train/validation/test 样本 ID
realvc/ # 生成、校验和统计代码
scripts/ # 命令行入口
examples/ # 最小加载示例
tests/ # 单元与集成测试
| 字段 | 含义 | 约束/示例 |
|---|---|---|
sample_id |
稳定样本 ID | realvc_0001，唯一 |
audio_path |
相对音频路径 | audio/realvc_0001.wav |
label |
真实性标签 | real / fake |
language |
语言 | zh-CN, yue, en, es, fr |
speaker_id |
匿名说话人 | 说话人不跨 split |
platform |
目标平台场景模型 | douyin, kuaishou, xiaohongshu, bilibili |
source_type |
来源类别 | 演示版为 synthetic_demo |
generation_method |
生成方式 | TTS、声音转换/克隆、重放压缩或真实场景模型 |
device / codec |
设备与编码条件 | 由演示生成器固定枚举 |
sample_rate / duration_sec |
音频参数 | Hz / 秒 |
split |
数据划分 | train, validation, test |
is_demo |
演示保护标记 | 固定为 true |
sha256 |
音频校验哈希 | WAV 的 SHA-256 |
演示目标为 500 条、real/fake 各 250 条，覆盖五种语言、四个平台场景，并按说话人隔离 train/validation/test。完整项目计划在获得来源许可、隐私审查和质量审计后，按来源与许可分别分发；本仓库不替代正式数据发布，也不重新授权第三方音频。
- 演示音频是程序生成的短 WAV，不能代表真实平台语音的分布、质量或社会语境。
platform是目标场景标签；不要据此推断音频来源、平台同意或抓取关系。- 不应使用 500 条演示数据报告检测器准确率、泛化能力或安全结论。
- 正式研究需确认授权、隐私、说话人同意、平台条款、可撤回机制与偏差评估；发布前应移除个人身份信息并记录来源许可。
代码采用 Apache License 2.0；原创元数据、文档和本仓库原创生成的演示 WAV 音频采用 CC BY 4.0。第三方音频（如未来正式版本包含）继续遵循其原始许可。引用信息见 CITATION.cff。