KSS_Dataset

מה זה

הנתונים מכילים 12,853 קטעי שמע קצרים בפורמט קולי איכותי של 44.1 קילוהרץ, לצד טקסטים תואמים. הטקסטים נלקחו מארבעה ספרי לימוד קוריאנית שחיבר יוצר המאגר המקורי, ביניהם מילונים וספרי פעלים ודקדוק. כל הרשומות הוקלטו על ידי קריינית מקצועית אחת, ולכן יש כאן אחידות גבוהה בסגנון הדיבור ובאיכות ההקלטה.

כל שורה כוללת את קובץ השמע, הטקסט המקורי, גרסה מורחבת של הטקסט, גרסה מפורקת לאותיות, משך זמן ההקלטה בשניות, ותרגום לאנגלית. אין במאגר חלוקה מובנית לסט בדיקה או אימות, וכל הדוגמאות מרוכזות בחלק אחד בלבד שמיועד לאימון.

מתאים ל

• אימון מודל הקראה קולי

  בניית מודל הקראת טקסט בקוריאנית בקול נשי נקי, לשימושי מחקר או פרויקטים אישיים.

• בדיקת ארכיטקטורות קול

  בחינת מודלים חדשים לעיבוד שמע מול נתונים נקיים ואחידים בלי רעשי רקע.

• מחקר בלשני בקוריאנית

  ניתוח התאמה בין אותיות לצלילים בעזרת שדה הטקסט המפורק והשמע המסונכרן.

איפה זה נופל

ההגבלה הבולטת ביותר היא שיש כאן רק דוברת יחידה. אי אפשר לאמן על זה מודל שמבין או מייצר מגוון קולות, גוונים, או מבטאים, והוא לא ילמד איך גברים מדברים. בנוסף, הטקסטים מגיעים מספרי לימוד שפה שיצאו בין 2012 ל־2015, כך שהשפה רשמית ומובנית מאוד. סלנג מודרני, שפת דיבור יומיומית, או שיחות חופשיות פשוט לא קיימים כאן. המאגר מכיל רק קוריאנית ותרגום לאנגלית, ללא שום קשר לעברית.

איך טוענים

אתם טוענים את הנתונים ישירות דרך ספריית הדאטהסטים באמצעות הפקודה load_dataset עם המזהה Bingsu/KSS_Dataset. הגישה פתוחה לחלוטין ואין צורך לבקש אישור מראש. הנתונים מחולקים לשבעה קובצי פארקט, כך שהורדה שלהם דורשת רוחב פס סביר לקובצי קול באיכות 44,100 הרץ. השדות החשובים לעבודה הם השמע, הטקסט המורחב, והטקסט המפורק שמסייע מאוד בעיבוד השפה הקוריאנית.

from datasets import load_dataset

ds = load_dataset("Bingsu/KSS_Dataset")

הרישיון

הרישיון הוא CC-BY-NC-SA 4.0. המשמעות היא איסור מוחלט על שימוש מסחרי מכל סוג שהוא. אם אתם בונים מוצר למכירה, כלי פנימי בחברה, או מודל שיימכר כשירות, המאגר הזה פסול. בנוסף, כל עבודה נגזרת או מודל שאתם מפרסמים דורשים קרדיט מלא למחבר וחייבים להיות מופצים תחת אותו רישיון בדיוק.

• שינוי הקוד
• חובת ייחוס
• שימוש מסחרי: לא

הרישיון המלא ב־Hugging Face ↗