dolly-audio-1000h-vietnamese
קוד פתוחdolly-vnרישיון לא דווח2025-11-24
מאגר שמע וייטנאמי נקי בהיקף של כאלף שעות וכולל 152 דוברים שונים. אם אתם בונים מודלי קול או זיהוי דיבור לוייטנאמית, השונות האזורית והתמלול המדויק כאן נותנים בסיס מצוין למחקר.
- 717הורדות בחודש
- 58לייקים
מה זה
המאגר כולל קרוב לאלף שעות שמע ומספר רשומות שנע בין מאה אלף למיליון, הכל בשפה הוייטנאמית בלבד. ההקלטות מגיעות מ־152 דוברים מרקעים ומאזורים גיאוגרפיים שונים במדינה, מה שמביא מגוון מבטאים וסגנונות דיבור.
הטקסטים מכסים תחומים כמו חדשות, בידור, חינוך ושיחות יומיומיות. לפי התיאור, הקבצים עברו ניקוי קפדני מרעשים וממוזיקת רקע, ונחתכו ברמת המשפט כדי לשמר פרוזודיה טבעית. בדיקה ידנית שביצעו היוצרים על מדגם מההקלטות הראתה שיעור שגיאות מילים שקרוב לאפס, כך שהתמלול מדויק מאוד.
הנתונים שמורים ב־333 קובצי פארקט תחת תיקיית האימון, ללא חלוקה מוגדרת מראש לחלקי בדיקה או ולידציה.
מתאים ל
- אימון מודלי הקראה בוייטנאמית
השמע הנקי, חיתוך המשפטים וריבוי הדוברים מתאימים ישירות לבניית מערכות טקסט לדיבור מרובות קולות.
- זיהוי דיבור מחקרי
רמת דיוק גבוהה בתמלול ומגוון מבטאים מקומיים שמתאימים לאימון מודלי ASR עבור השפה הוייטנאמית.
- שיבוט קול והתאמת דובר
חלוקה לפי 152 דוברים שונים מאפשרת לתרגל מודלים של voice cloning והפרדת מאפייני קול אישיים.
איפה זה נופל
ההגבלה הראשונה והברורה היא השפה, המאגר כולל אך ורק וייטנאמית ואין בו מילה בעברית או באנגלית. בנוסף, כל ההקלטות עברו ניקוי מרעשים, כך שהן לא משקפות סביבה רועשת או שיחות טלפון אמיתיות. אם אתם מאמנים מודל זיהוי דיבור שצריך להתמודד עם שטח, תצטרכו להוסיף רעש באופן מלאכותי. אין פירוט לגבי התפלגות הגילאים או המגדר של 152 הדוברים, מה שמקשה לדעת אם קיים ייצוג שווה.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
לא. למרות שבמטא דאטה הרישיון לא דווח, הטקסט מבהיר שמדובר ברישיון CC-BY-NC-SA-4.0 למחקר בלבד. שימוש מסחרי מכל סוג אסור בהחלט.
האם יש במאגר הקלטות בעברית?
לא, אין בו עברית כלל. כל אלף השעות מוקלטות בוייטנאמית בלבד ומיועדות לחקר שפה זו.
האם אפשר להוריד את הקבצים באופן חופשי?
לא באופן מיידי. היוצרים דורשים אישור גישה מראש ומבקשים לפנות אליהם עם כתובת אימייל של מוסד אקדמי או מחקרי.
איך נאסף המידע ומה איכות התמלול?
ההקלטות נאספו מ־152 דוברים בסגנונות תוכן שונים כמו חדשות וחינוך, עברו ניקוי רעשים וחיתוך ברמת המשפט. דגימה ידנית של היוצרים הראתה שיעור שגיאות מילים ששואף לאפס.
איך טוענים
הנתונים מפוצלים ל־333 קובצי פארקט תחת data/train, כך שלא מדובר בהורדה קלה של קובץ בודד. תצטרכו שטח אחסון משמעותי ורוחב פס יציב כדי למשוך את הכל דרך ספריית datasets. בנוסף, הכרטיס מציין שנדרש אישור גישה מראש באמצעות כתובת אימייל מוסדית, ולכן אי אפשר להתחיל לעבוד מיד בסקריפט אוטומטי בלי לקבל הרשאה מהיוצרים.
from datasets import load_dataset
ds = load_dataset("dolly-vn/dolly-audio-1000h-vietnamese")הרישיון
בעמוד המאגר הרישיון הרשמי סומן כלא דווח, אך בטקסט עצמו היוצרים מציינים במפורש CC-BY-NC-SA-4.0 ומדגישים שהשימוש מוגבל למחקר בלבד. אסור להשתמש בנתונים האלה למוצר מסחרי או להפיק מהם רווח. אם תאמנו עליו מודל ותרצו להפיץ אותו, תצטרכו לתת קרדיט ולשחרר אותו תחת אותו רישיון לא מסחרי.