vivos

מה זה

המאגר מכיל הקלטות קול קצרות של אנשים שהקריאו משפטים כתובים בסביבה שקטה ועם מיקרופון באיכות גבוהה. כל רשומה כוללת מזהה דובר, נתיב לקובץ השמע, מערך הנתונים של האודיו שנדגם ב־16 קילוהרץ, ומשפט הטקסט התואם שנאמר בקול.

הנתונים מחולקים מראש לשני חלקים. חלק האימון כולל 46 דוברים, 11,660 הקלטות וכמעט 15 שעות דיבור. חלק הבדיקה מצומצם בהרבה ומכיל 19 דוברים, 760 הקלטות ובסך הכל כ־45 דקות. הדוברים תרמו את קולם באופן מקוון, אך הכרטיס לא מפרט כיצד סוננו הטקסטים או ההקלטות.

מתאים ל

• אימון מודל ASR בוייטנאמית

  בניית מודל זיהוי דיבור בסיסי לשפה הוייטנאמית עבור פרויקטים אקדמיים ומחקריים.

• בדיקת ביצועי תמלול

  הרצת בדיקות והערכת דיוק על 45 דקות של הקלטות נקיות בחלק ה־test.

• ניסויי התאמת דוברים

  מחקר על זיהוי דיבור לפי מזהי 65 הדוברים השונים שקיימים במאגר.

איפה זה נופל

זהו מאגר קטן מאוד במונחים של זיהוי דיבור מודרני, עם 15 שעות בלבד ובשפה הוייטנאמית בלבד. אין בו שום תמיכה בעברית או באנגלית. תנאי ההקלטה היו אידיאליים, דיבור מוקרא בסביבה שקטה, כך שהנתונים לא מייצגים שיחות ספונטניות, רעשי רקע או מבטאים מגוונים. בנוסף, חל איסור מפורש לנסות לזהות את הדוברים שתרמו את קולם לפרויקט.

איך טוענים

טוענים את המאגר ישירות דרך ספריית datasets באמצעות מזהה המאגר. הגישה חופשית ואין צורך בהרשמה מראש או בקשת אישור. המאגר מגיע כקובץ ארכיון דחוס יחד עם קובצי תסריט הטקסט. בזמן עבודה עם קוד, חשוב לשלוף קודם את אינדקס הדגימה ורק אחר כך לגשת לשדה השמע, כדי למנוע פענוח ודגימה מחדש של כל קובצי האודיו בבת אחת.

from datasets import load_dataset

ds = load_dataset("AILAB-VNUHCM/vivos")

הרישיון

הרישיון הוא CC BY-NC-SA 4.0. המשמעות ברורה, השימוש מוגבל למחקר בלבד ואסור לחלוטין לכל מטרה מסחרית. חובה לתת ייחוס ליוצרים, ואם משנים את המאגר או בונים עליו נגזרות, חייבים להפיץ אותן תחת אותו רישיון בדיוק. מודל שאומן על הדאטה הזה כפוף למגבלת השימוש הלא-מסחרי.

• שינוי הקוד
• חובת ייחוס
• שימוש מסחרי: לא

הרישיון המלא ב־Hugging Face ↗