92k-real-world-call-center-scripts-english
קוד פתוחAIxBlockcc-by-nc-4.02025-06-17
תמלולים של כעשרת אלפים וחמש מאות שעות ממוקדי שירות אמיתיים באנגלית, עם חותמות זמן וציוני ביטחון. זה מתאים למי שבונה מודלים לניתוח שיחות שירות ולא רוצה דאטה סינתטי מהונדס.
- 458הורדות בחודש
- 33לייקים
מה זה
המאגר מורכב מ־91,706 תמלולים בפורמט JSON שנוצרו באמצעות המודל של AssemblyAI מתוך שיחות קוליות חיות, אם כי האודיו עצמו לא צורף לכאן. ההקלטות נאספו משותפויות עם מוקדי שירות ומכסים פניות נכנסות ויוצאות בתחומים כמו ביטוח רכב, שירות לקוחות כללי, שירותי בית ורפואה. המבטאים העיקריים בשיחות הם הודי, אמריקאי ופיליפיני.
החומר חולק למספר קבצי זיפ לפי תחומים וסוג השיחה. כל קובץ מכיל תיוג לפי תחום, מבטא ונושא, לצד חותמות זמן ברמת המילה ומדדי ביטחון של התמלול. לפי היוצרים, התבצע תהליך סינון אגרסיבי להסרת פרטים מזהים מתוך רשימה ארוכה של שדות רגישים, ובדיקה ידנית על מדגם הראתה דיוק תמלול של 96.131 אחוזים.
מתאים ל
- אימון מודלי סיכום שיחה
לימוד מודלי שפה לחלץ החלטות, תלונות ופעולות להמשך מתוך תמלולי שיחות שירות אמיתיות ומבולגנות.
- זיהוי כוונות ונושאים
קלסיפיקציה של שיחות לפי תחומי שירות שונים, סוגי בעיות והבחנה בין שיחות נכנסות ליוצאות.
- תיקון שגיאות ASR
פיתוח מודלים לזיהוי ותיקון טעויות תמלול על בסיס ציוני הביטחון ורמת הדיוק שסופקו בקבצים.
איפה זה נופל
הבעיה המרכזית היא שאין כאן קבצי קול, כך שאי אפשר לאמן או להעריך מודלי שמיעה אלא רק לעבוד על טקסט. בנוסף, מדובר בתמלול מכונה ולא בטקסט אנושי מקורי, כך שטעויות זיהוי קיימות בקובצי המקור. המאגר מוגבל אך ורק לאנגלית במבטאים ספציפיים מאוד של מוקדי מיקור חוץ, ללא שום מילה בעברית או התאמה לשוק המקומי. השחרה מסיבית של שמות, זמנים ומספרים עלולה גם היא לשבש אימון שדורש הקשר שלם.
שאלות
נפוצות
האם מותר להשתמש בדאטהסט לפיתוח מוצר מסחרי?
לא. הרישיון הוא לא-מסחרי בלבד ומיועד למחקר ולפיתוח פנימי. אם תאמנו עליו מודל שיוטמע בשירות בתשלום, זו תהיה הפרה של תנאי הרישיון.
האם קבצי האודיו המקוריים כלולים בהורדה?
לא, המאגר כולל אך ורק את קובצי התמלול בפורמט טקסטואלי של JSON. עשרת אלפים וחמש מאות שעות השמע ששימשו ליצירת המאגר לא פורסמו בשלב זה.
האם יש בדאטהסט שיחות בעברית?
אין בו עברית בכלל. כל השיחות נערכו באנגלית ומייצגות בעיקר מוקדים בהודו, בפיליפינים ובארצות הברית.
איך נוצרו התמלולים והאם הם מדויקים?
ההקלטות עובדו באמצעות מודל בתשלום של חברת AssemblyAI ולא תומללו ידנית על ידי בני אדם. היוצרים ביצעו בקרת איכות על מדגם מסוים ומדווחים על דיוק ממוצע של כ־96 אחוזים.
איך טוענים
המאגר מכיל 13 קבצים, רובם ארכיוני זיפ גדולים שמחולקים לפי תחומים, לצד קובץ הסבר. אין צורך באישור גישה מיוחד כדי להוריד אותם ישירות מדף הפרויקט. הנתונים מגיעים במבנה JSON נקי ונוח לקריאה, כשהשדות החשובים לעבודה הם התמלול המושחר, ציוני הביטחון של הזיהוי הקולי, חותמות הזמן וסיווגי המבטא והתחום.
from datasets import load_dataset
ds = load_dataset("AIxBlock/92k-real-world-call-center-scripts-english")הרישיון
הרישיון הוא CC-BY-NC-4.0 שמגביל את השימוש למחקר ולפיתוח בלבד, ואוסר מפורשות כל שימוש מסחרי, מכירה מחדש או הפצה. המשמעות היא שאסור להשתמש בנתונים האלה כדי לאמן מודלים שיוטמעו במוצר מסחרי שפתוח ללקוחות או מייצר הכנסות.
- שינוי הקוד
- חובת ייחוס
- שימוש מסחרי: לא