quran-md-ayahs
קוד פתוחBuraaqרישיון לא דווח2025-11-23
מעל 187 אלף הקלטות שמע ברמת הפסוק הבודד מכסות את כל הקוראן, עם התאמה מלאה לטקסט ערבי, תרגום לאנגלית ותעתיק לטיני. המאגר כולל 30 קריינים שונים לכל פסוק ומתאים למחקרי דיבור בערבית קלאסית.
- 941הורדות בחודש
- 19לייקים
מה זה
המאגר מציג 187,080 דגימות שמע של פסוקי הקוראן, שמתפרסות על פני כ־450 שעות הקלטה. כל אחד מ־6,236 הפסוקים מוקלט על ידי כל אחד מ־30 הקריינים שנבחרו, מה שמספק כיסוי מלא ואחיד לכל אורך הטקסט. הנתונים מחולקים למבנה טבלאי שבו כל רשומה כוללת את קובץ השמע, מזהה הסורה, מזהה הפסוק, שמות הסורה בשלוש צורות, טקסט הפסוק בערבית, תרגומו לאנגלית ותעתיק פונטי.
ההקלטות משקפות סגנונות קריאה שונים, כמו מורתל, מוג'ווד, קריאה לימודית ונוסח ורש. הכרטיס לא מפרט מה מקור קובצי המקור המקוריים או באיזה אופן בוצע הסינון והחיתוך לרמת הפסוק, אך הוא מפנה למאמר מחקרי בנושא. אין במאגר חלוקה מובנית לסט אימון, בדיקה וולידציה, והקבצים כולם מופיעים תחת שברי קבצים של סט אימון יחיד.
מתאים ל
- זיהוי דיבור בערבית קלאסית
אימון מודלי ASR על טקסט מנוקד ומוקפד הודות להתאמה מדויקת בין שמע של 30 דוברים לטקסט הפסוק.
- זיהוי דוברים וסגנונות קריאה
בניית מערכות לאימות קול לפי 30 קריינים שמקריאים בדיוק את אותם הטקסטים בסגנונות שונים.
- הקראת טקסט דתי
פיתוח מודלי TTS מותאמים להגייה קוראנית וכללי תג'וויד מתוך דגימות שמע באורכים מגוונים.
איפה זה נופל
איכות השמע אינה אחידה ונעה בין קצבי סיביות נמוכים של 32kbps ועד 192kbps, מה שעלול להקשות על אימון מודלים להפקת דיבור שדורשים איכות קבועה וגבוהה. השפה היא ערבית קוראנית קלאסית בלבד, עם כללי הגייה ייחודיים שאינם משקפים ערבית מדוברת, דיאלקטים מקומיים או ערבית ספרותית מודרנית רגילה. אין במאגר שום נתונים בעברית. בנוסף, חלוקת הדאטה לפיצולי בדיקה ואימון נשארת כולה על המפתח, ואם לא מפרידים נכון לפי קריינים או סורות קל מאוד לגרום לדליפת נתונים בין הסטים.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
לא מומלץ כלל. בעמוד המאגר לא הוגדר רישיון, מה שאומר שכל הזכויות שמורות והשימוש מוגבל. שימוש מסחרי עלול להפר זכויות יוצרים של ההקלטות עצמן.
האם יש במאגר תכנים בעברית?
אין שום תוכן בעברית. הטקסטים מופיעים במקור בערבית קלאסית, לצד תרגום לאנגלית ותעתיק פונטי באותיות לטיניות בלבד.
כמה שוקל המאגר ואיך הוא בנוי טכנית?
הוא כולל כ־450 שעות שמע ומחולק ל־72 קובצי parquet שמכילים סך הכל 187,080 דגימות MP3. בגלל המשקל הכולל של השמע, מומלץ לעבוד עם הזרמת נתונים ולא להוריד את כולו בבת אחת.
מה מבדיל את המאגר הזה מאוספי קוראן אחרים?
הכיסוי המלא של כל 6,236 הפסוקים על ידי כל אחד מ־30 הקריינים ללא יוצא מן הכלל. בנוסף לחיבור ברמת הפסוק, יש התאמה לתרגום, תעתיק פונטי, וסגנונות קריאה ייחודיים כמו ורש.
איך טוענים
טוענים את הנתונים דרך ספריית datasets באמצעות הקריאה load_dataset לקוד Buraaq/quran-md-ayahs. הגישה חופשית ואינה דורשת בקשת אישור. הנתונים מאוחסנים ב־72 קובצי parquet, כאשר השמע מגיע בפורמט MP3 ונטען ישירות לאובייקט שמע. השדות הקריטיים לעבודה הם audio, שכולל את מערך הדגימות וקצב הדגימה, ayah_ar שכולל את הטקסט המקורי, ו־reciter_id לסינון לפי דובר. מכיוון שמדובר במאות שעות שמע, רצוי לסנן לפי סורות או קריינים לפני שטוענים הכל לזיכרון.
from datasets import load_dataset
ds = load_dataset("Buraaq/quran-md-ayahs")הרישיון
היוצרים לא דיווחו על רישיון שימוש בכרטיס המאגר. מבחינה משפטית, כשאין רישיון מוגדר, ברירת המחדל היא זכויות יוצרים שמורות, ולכן אסור להשתמש בנתונים לפיתוח מוצרים מסחריים. מודל שאומן על המאגר עלול לחשוף אתכם לתביעות על הפרת זכויות יוצרים, במיוחד בכל הנוגע לקובצי השמע של הקריינים. המאגר מתאים בשלב זה למחקר אקדמי בלבד, וגם בו מומלץ לבדוק את פרטי המאמר המלווה לפני שמתחילים.