atcosim_corpus
קוד פתוחJzuluagaרישיון לא דווח2022-11-16
הקלטות שמע ותמלולים של פקחי טיסה באנגלית מתוך סימולציות אמיתיות. המאגר מציע דיבור מקצועי נקי לבדיקת מודלי זיהוי דיבור בתחום התעופה.
- 669הורדות בחודש
- 19לייקים
מה זה
המאגר כולל עשר שעות של הקלטות שמע מתומללות של פקחי טיסה פעילים. הנתונים הוקלטו בזמן סימולציות תעבורה אווירית בזמן אמת, באמצעות מיקרופוני מדונה צמודי פנים. המיזם הופק בשיתוף בין אוניברסיטת גראץ לבין המרכז הניסויי של יורוקונטרול, ומכיל דיבור ספונטני ולא מוקרא של הפקחים בעבודתם.
כל רשומה מורכבת מקובץ שמע, תמלול אורתוגרפי שעבר נורמליזציה, זיהוי ייחודי, נקודות זמן של תחילת וסיום המקטע, ומשך ההקלטה הכולל. ההקלטות מגיעות מעשרה דוברים שונים, ששירתו כפקחים מנוסים בגזרות שתורגלו. המאגר הועלה בפורמט פארקט ומחולק לחלקי אימון ובדיקה שמיועדים למשימות זיהוי דיבור אוטומטי.
מתאים ל
- אימון מודלי זיהוי דיבור
התאמת מודלים קיימים לקליטה של מונחי תעופה באנגלית ודיבור מקצועי של פקחים.
- בדיקת עמידות למבטאים
בחינת הביצועים של מערכות תמלול מול דוברי אנגלית שאינם ילידיים ממרכז אירופה.
- הערכת ביצועים בתעופה
מדידת דיוק תמלול על נתוני סימולציה נקיים לפני מעבר להקלטות קשר רועשות מהשטח.
איפה זה נופל
כל עשר השעות מגיעות מעשרה פקחים בלבד, שישה גברים וארבע נשים מגרמניה ומשווייץ. שפת האם שלהם היא גרמנית, גרמנית שוויצרית או צרפתית שוויצרית, כך שהאנגלית בהקלטות מוגבלת למבטאים האלה בלבד. המאגר אינו מכיל עברית או שפות אחרות. מעבר לזה, ההקלטות נעשו במיקרופון קרוב ובסביבת סימולציה מבוקרת, ללא הרעשים, השיבושים ואיכות הקשר הנמוכה שמאפיינים שידורי רדיו אמיתיים בתעופה.
שאלות
נפוצות
האם מותר להשתמש במאגר לפיתוח מוצר מסחרי?
לא מומלץ להסתמך עליו למוצר מסחרי כרגע. בכרטיס המאגר לא הוגדר רישיון מסודר, ונכתב שהמעמד המשפטי תלוי ביוצרי המידע המקוריים. כל עוד אין היתר כתוב ומפורש, שימוש מסחרי חושף אתכם לסיכון משפטי.
האם המאגר כולל תמיכה בעברית?
לא, המאגר מוקלט ומתומלל כולו באנגלית בלבד. הדוברים הם פקחים אירופאים מגרמניה ומשווייץ שמתקשרים באנגלית תקנית של עולם התעופה, ואין בו שום נתונים בשפה העברית.
איך נאספו ההקלטות בפועל?
הנתונים הוקלטו מפי עשרה פקחי טיסה מנוסים בזמן סימולציות חיות של פיקוח תעבורה אווירית. הפקחים השתמשו במיקרופוני מדונה צמודים, כך שהשמע נקי בהרבה מהקלטות קשר רדיו אמיתיות של מטוסים.
איך טוענים
טוענים את המאגר ישירות דרך ספריית הנתונים באמצעות המזהה, ללא צורך בהרשאה מיוחדת או אישור גישה מראש. הקבצים שמורים בפורמט פארקט ומחולקים לחמישה קבצי מידע, ארבעה לאימון ואחד לבדיקה, לצד סקריפט טעינה. השדות החשובים לעבודה הם שדה השמע שמכיל את גלי הקול ושדה הטקסט שמציג את התמלול הנקי. כדאי לשים לב גם לזמני ההתחלה, הסיום והמשך בכל דגימה.
from datasets import load_dataset
ds = load_dataset("Jzuluaga/atcosim_corpus")הרישיון
הרישיון של המאגר אינו מוגדר בעמוד. המפרסם מציין שהסטטוס המשפטי תלוי ביוצרי הקורפוס המקורי באוניברסיטת גראץ וביורוקונטרול. במצב שבו אין רישיון ברור, לא ניתן לדעת אם מותר להשתמש במידע למטרות מסחריות או מה הדין לגבי מודל שאומן עליו.