jam-alt
קוד פתוחjamendolyricsרישיון לא דווח2023-10-29
המאגר כולל שירים עם תמלול מילים שעבר עריכה מוקפדת לשיפור הקריאות. הוא מתאים למי שרוצה לבחון מודלים של זיהוי דיבור על שירה מוזיקלית מורכבת.
- 1,826הורדות בחודש
- 17לייקים
מה זה
המאגר מבוסס על JamendoLyrics ומכיל 79 שירים שמגיעים בפורמט אודיו יחד עם תמלילים וזמני התחלה וסיום ברמת השורה. קבצי האודיו נלקחו ישירות מהמאגר המקורי ללא שינוי, אך מילות השירים עברו רוויזיה מקיפה לפי הנחיות עריכה מסודרות, הכוללות תיקוני כתיב, פיסוק, אותיות גדולות וקטנות ועיצוב טקסט שנועד להתאים לקריאה אנושית.
השירים מחולקים לארבע שפות: אנגלית, צרפתית, גרמנית וספרדית. במקור המאגר כלל רק טקסט ואודיו, ובהמשך נוספו לו חותמות זמן ברמת השורה שהועברו מהמאגר המקורי ותוקנו ידנית כדי שיתאימו לתמלילים החדשים. המאגר מיועד לשמש כמבחן ביצועים ומכיל חלוקה מוגדרת למבחן.
מתאים ל
- בדיקת מודלי תמלול שירה
הרצת בדיקות השוואתיות של מודלי דיבור כמו Whisper על קובצי מוזיקה עם ליווי.
- הערכת פיסוק ואותיות גדולות
בחינת יכולת המודל לייצר טקסט קריא הכולל סימני פיסוק מלאים בארבע שפות.
- בדיקת סנכרון שורות לשירה
מדידת דיוק בחלוקת שורות של שירים בעזרת חותמות הזמן הידניות שבמאגר.
איפה זה נופל
ההגבלה הראשונה היא הגודל. עם 79 שירים בלבד המאגר לא מתאים לאימון מודלים אלא רק להערכת ביצועים. אין בו שום תמיכה בעברית אלא רק בארבע שפות אירופיות. בנוסף, חותמות הזמן קיימות רק ברמת השורה ולא ברמת המילה, כך שלמשימות יישור מילים מדויק היוצרים עצמם ממליצים להשתמש במאגר המקורי ולא בזה. החומרים מבוססים על מוזיקה חופשית מפלטפורמת ג'מנדו, מה שעשוי להציג התפלגות ז'אנרים והפקות שאינה מייצגת בהכרח קטלוגים מסחריים מודרניים.
שאלות
נפוצות
האם מותר להשתמש במאגר לצרכים מסחריים?
הרישיון במאגר לא דווח. ללא רישיון מוגדר ומפורש לא בטוח להשתמש בנתונים במוצר מסחרי. יש לבדוק את תנאי המקור של JamendoLyrics מול החוקרים שפרסמו את הפרויקט.
האם המאגר כולל עברית?
לא. המאגר מכסה רק ארבע שפות: אנגלית, גרמנית, צרפתית וספרדית. אין בו שירים או תמלילים בעברית.
במה הוא שונה מ־JamendoLyrics המקורי?
האודיו זהה לחלוטין, אך התמלילים נכתבו מחדש לפי כללי קריאות, איות ופיסוק קפדניים. בנוסף, המאגר הזה כולל זמנים ברמת השורה בלבד, בעוד שהמקורי מיועד ליישור ברמת המילה.
כמה שירים יש במאגר ואיך הם נאספו?
יש בו 79 שירים שנלקחו מפלטפורמת JamendoLyrics. התמלילים שוכתבו ידנית על ידי צוות חוקרים, ותזמוני השורות תוקנו באופן ידני כדי להתאים לטקסט החדש.
איך טוענים
טוענים את הנתונים דרך ספריית datasets באמצעות הנתיב jamendolyrics/jam-alt עם הפיצול test. המאגר כולל 331 קבצים והגישה אליו פתוחה ישירות ללא צורך באישור. ניתן לטעון שפה מסוימת מתוך הארבע על ידי ציון קוד השפה en, fr, de או es. עמודת האודיו מכילה קובצי MP3, וניתן להגדיר בה את קצב הדגימה, להמיר למונו או לבטל פענוח כדי לקבל רק נתיבי קבצים למודלים כמו Whisper. השדות המרכזיים לעבודה הם text עבור התמליל הערוך, audio לקובץ השמע, ונתוני הזמנים ברמת השורה מקובצי ה alignment.
from datasets import load_dataset
ds = load_dataset("jamendolyrics/jam-alt")הרישיון
הרישיון לא דווח בעמוד המאגר. המשמעות פשוטה: אין לכם כרגע אישור משפטי מוגדר להשתמש בו במוצרים מסחריים או להפיץ מודלים שאומנו עליו. לפני כל שימוש עסקי חובה לבדוק ישירות מול היוצרים בקישורי הפרויקט מאיזה רישיון נגזר האודיו של ג'מנדו ומה הסטטוס של תמלולי המילים הערוכים.