SeniorTalk
קוד פתוחBAAIcc-by-nc-sa-4.02025-03-14
המאגר מרכז הקלטות דיבור ספונטני במנדרינית של קשישים בני 75 עד 85. מפתחים פונים אליו כדי להתמודד עם פערי זיהוי קולי באוכלוסייה מבוגרת, תחום שכמעט ואין לו נתונים פומביים.
- 1,095הורדות בחודש
- 43לייקים
מה זה
הנתונים כוללים 55.53 שעות הקלטה של 202 דוברים מבוגרים מ־16 מחוזות שונים בסין. השיחות הוקלטו בסביבות שקטות באמצעות טלפונים חכמים שונים של אנדרואיד ואייפון, ומכילות שיח טבעי ולא מתוסרט על נושאים מותאמים לגילם. התמלול בוצע ידנית ברמת התווים, לצד סימונים מיוחדים של רעשי רקע, שירה, מוזיקה ודיבור חופף.
המאגר מגיע בשתי תצורות עיקריות. תצורת השיחות כוללת 101 דיאלוגים ומחולקת לאימון של כמעט 50 שעות ומבחן של 5.7 שעות. תצורת הדיבור הקצר מכילה 60,029 משפטים באורך ממוצע של 2.27 שניות ובמשך כולל של כ־37.8 שעות, שמחולקים לאימון, תיקוף ומבחן. כל קובץ שמע מקושר למטא-דאטה מפורט על מיקום, מכשיר ההקלטה, גיל, מגדר ורמת המבטא.
מתאים ל
- זיהוי דיבור בגיל השלישי
אימון וכיול של מודלי ASR למנדרינית עבור אוכלוסיות מבוגרות, שקולותיהן מתאפיינים בהגייה איטית ושינויי גובה צליל.
- אימות וזיהוי דוברים
בדיקת מערכות זיהוי והפרדת דוברים על בסיס נתוני שיחה טבעיים של קשישים עם חלוקה ברורה לפי מזהי דובר.
- מחקר מבטאים ודיאלקטים
ניתוח השפעת מבטאים מ־16 מחוזות שונים בסין על דיוק מערכות שמע, תוך שימוש במדדי המבטא המתועדים במאגר.
איפה זה נופל
ההקלטות מוגבלות למנדרינית בלבד, כך שהן לא רלוונטיות לעברית או לשפות אחרות. יחס המינים מוטה מראש לטובת נשים, עם חלוקה של בערך 7 גברים ל־13 נשים, מה שמצריך איזון אם בונים מודל כללי. בנוסף, ההקלטות בוצעו בסביבות שקטות יחסית, כך שהביצועים של מודל שיאומן עליהן עלולים להידרדר בסביבה רועשת או בשיחות טלפון אמיתיות שאינן בתנאי מעבדה שקטים.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
לא. הרישיון הוא CC BY-NC-SA 4.0 שחוסם באופן מפורש שימוש מסחרי מכל סוג. המאגר מיועד למחקר ולמטרות לא מסחריות בלבד.
האם יש במאגר הקלטות או תמלולים בעברית?
לא. כל ההקלטות הן במנדרינית בלבד, והתמלולים נכתבו בתווים סיניים. הוא לא מכיל נתונים בעברית.
איך בדיוק הוקלטו השיחות?
הנתונים נאספו בשיחות טבעיות בסביבה שקטה, כשהמשתתפים השתמשו בסמארטפונים רגילים של אנדרואיד ואייפון. ההקלטות נשמרו כקובצי WAV בקצב של 16kHz ועברו תמלול ידני מלא.
מה ההבדל בין חלוקת השיחות לחלוקת המשפטים?
גרסת השיחות מכילה דיאלוגים מלאים באורך של כחצי שעה לכל שיחה ומיועדת להפרדת דוברים. גרסת המשפטים חותכת את השמע למקטעים קצרים של כ־2.3 שניות המותאמים ישירות לאימון מודלי תמלול קולי רגילים.
איך טוענים
הקבצים מאוחסנים בארכיוני שמע בפורמט WAV בקצב דגימה של 16kHz לצד קובצי טקסט וטבלאות Parquet. אין צורך באישור גישה מיוחד כדי להוריד את המאגר מ־Hugging Face. תהליך העבודה דורש חילוץ של ארכיוני ה־tar, וסנכרון בין קובצי האודיו לבין קובצי המידע המצורפים שכוללים את חותמות הזמן, פרטי הדוברים והטוקנים הייעודיים לרעש.
from datasets import load_dataset
ds = load_dataset("BAAI/SeniorTalk")הרישיון
הרישיון הוא CC BY-NC-SA 4.0. המשמעות ברורה: שימוש מסחרי אסור לחלוטין. אם תשתמשו בנתונים לצורכי מחקר או פיתוח פנימי, אתם חייבים לתת קרדיט ליוצרים. אם שיניתם או אימנתם מודל שמבוסס עליו, עליכם להפיץ את התוצרים תחת אותו הרישיון המדויק.
- שינוי הקוד
- חובת ייחוס
- שימוש מסחרי: לא