turkishvoicedataset

מה זה

המאגר מרכז 130,634 רשומות שמיועדות לאימון מודלים של המרת טקסט לדיבור בטורקית. כל רשומה כוללת שני שדות בלבד, קובץ שמע והתמלול הטקסטואלי המדויק שלו. בניגוד להקלטות אנושיות מהשטח שסובלות מרעשי רקע, ההקלטות כאן הופקו ישירות משירותי המרת הטקסט לדיבור של מיקרוסופט, כך שמדובר בצליל מלאכותי ומדויק ללא הפרעות סביבתיות.

מבחינת מבנה, אין כאן פיצול מובנה לסט בדיקה או אימות. כל הנתונים נמצאים תחת ספליט יחיד של אימון, והם נשמרים בתוך 12 קובצי פארקט שונים. יוצר המאגר לא פירט על תהליכי סינון מיוחדים, ניקוי טקסט או בחירת תכנים, אלא סיפק את הפלט שנוצר מהשירות לצד הטקסטים שהוזנו אליו.

מתאים ל

• אימון מודלי הקראה

  פיתוח מודלים בסיסיים להמרת טקסט לדיבור בטורקית על בסיס הגייה מדויקת.

• מחקר אקדמי קולי

  בדיקת ארכיטקטורות שמע וניסויי התאמה על דאטה נקי מרעשים.

• ולידציה למודלי תמלול

  בדיקת ביצועים התחלתית של מערכות זיהוי דיבור מול שמע סינתטי.

איפה זה נופל

הבעיה המרכזית היא שמדובר בדיבור סינתטי לחלוטין שמקורו במנוע של מיקרוסופט, ולא בקולות אנושיים אמיתיים. אם אתם בונים מערכת שצריכה להתמודד עם דיבור חי, סלנג, גמגום או רעשי רחוב, המאגר הזה לא יכין את המודל למציאות. בנוסף, חסרה חלוקה מראש למבחן, כך שתצטרכו להפריד דוגמאות בעצמכם כדי למנוע דליפת נתונים, ואין שום מידע על הגילאים, המגדרים או מגוון הדוברים ששימשו להפקה.

איך טוענים

אתם מושכים את המאגר ישירות דרך ספריית הנתונים של הגאפינג פייס ללא צורך בהרשאה מיוחדת. קחו בחשבון שמדובר בהורדה של כחמישה וחצי גיגה בייט, ובפריסה המלאה על הדיסק הקבצים תופסים קרוב לשישה גיגה בייט. הנתונים מחולקים לשתים עשרה חתיכות פארקט, כך שרצוי לעבוד עם טעינה מוזרמת אם משאבי הזיכרון שלכם מוגבלים.

from datasets import load_dataset

ds = load_dataset("erenfazlioglu/turkishvoicedataset")

הרישיון

המאגר פורסם ברישיון מסחרי חסום, מסוג קריאייטיב קומונס 4.0 לא מסחרי. זה אומר שמותר להשתמש במידע למחקר, בדיקות פנימיות וניסויים בלבד, תוך מתן קרדיט ליוצר. אסור לשלב את המאגר או מודל שאומן עליו ישירות במוצר שנמכר ללקוחות או מייצר רווחים לחברה.

• שינוי הקוד
• חובת ייחוס
• שימוש מסחרי: לא

הרישיון המלא ב־Hugging Face ↗