Emilia-with-Emotion-Annotations
קוד פתוחlaionרישיון לא דווח2025-07-05
יש כאן גם סקירה על LAION עצמו.
המאגר כולל הקלטות קול בהיקף של כ־215.6k שעות עם תיוגי רגש מפורטים. הוא מתאים למי שבונה מודלים שמנתחים ניואנסים רגשיים בדיבור ולא רק טקסט נקי.
- 2,007הורדות בחודש
- 29לייקים
מה זה
המאגר מציג גרסה מורחבת של Emilia המשלבת קטעי אודיו יחד עם חלק נכבד ממאגר YODAS. סך הכל יש כאן כ־215.6k שעות דיבור. הפילוח כולל 139.0k שעות באנגלית, 50.3k שעות בסינית, 8.8k שעות בצרפתית, 7.5k שעות בקוריאנית, 7.2k שעות בגרמנית ו־2.8k שעות ביפנית. קבצי המקור של Emilia עצמה תורמים 101.7k שעות, ותוספת YODAS מוסיפה עוד 113.9k שעות שמזוהות בסיומת הקובץ.
לכל דגימה מוצמדים תיוגים אוטומטיים שהופקו בעזרת חבילת EmoNet ומודל BUD-E Whisper. הנתונים כוללים תיאור מילולי קצר ו־54 ציונים שונים. מתוכם ישנם ניקודים גולמיים עבור 40 קטגוריות רגש עם הסתברות מנורמלת, וכן הערכות ב־14 ממדים פראלינגוויסטיים כמו חיוביות מול שליליות, עוררות, מגדר, גיל, אותנטיות, איכות הקלטה ורעשי רקע.
מתאים ל
- זיהוי רגש בדיבור
אימון מודלים על 54 הציונים כדי לזהות עוררות, כעס או חום בקול של הדובר.
- סינון דאטה לפי איכות
שימוש במדדי איכות ההקלטה ורעשי הרקע כדי לדגום רק קטעים נקיים לאימון.
- יצירת דיבור מותאם רגש
בניית מודלי דיבור שמקבלים הנחיה מילולית לצד תיוגי רגש כדי לשלוט בטון.
איפה זה נופל
כל התיוגים כאן הם תוצר של מודלים ממוחשבים ולא של בני אדם, מה שאומר שהטיות וטעויות של EmoNet ושל BUD-E Whisper נכנסו ישירות למידע. בנוסף, חלוקת השפות מוטה בכבדות לאנגלית וסינית שמהוות יחד כמעט את כל הנפח, כששאר השפות זוכות לחלק קטן בלבד. עברית לא קיימת כאן בכלל, כך שלפרויקטים מקומיים אין מנוס מחיפוש מקורות אחרים.
שאלות
נפוצות
האם מותר להשתמש במאגר למוצר מסחרי?
הרישיון בדף לא דווח כלל. ללא היתר שימוש ברור ומסודר, שימוש מסחרי במודלים שמאומנים עליו עלול להוות סיכון משפטי.
האם יש במאגר נתונים בעברית?
לא. המאגר מציע שש שפות בלבד: אנגלית, סינית, צרפתית, קוריאנית, גרמנית ויפנית. עברית אינה נכללת באף אחד מהחלקים.
מאיפה הגיעו תיוגי הרגש?
התיוגים חושבו באופן אוטומטי על ידי מודלים מסדרת EmoNet לצד מודל BUD-E Whisper. הם לא נבדקו ידנית אחד אחד על ידי בני אדם.
למה המאגר מחולק לחמישה חלקים?
היקף הנתונים כולל כ־215.6k שעות דיבור. היוצרים פיצלו את הקבצים על פני חמישה מאגרי Hugging Face נפרדים כדי להקל על האחסון וההורדה.
איך טוענים
הנתונים מחולקים לחמישה מאגרים נפרדים ביוזמת laion כדי לפזר את העומס, ומאוחסנים בפורמט WebDataset כארכיוני tar.gz. במאגר הנוכחי לבדו יש 1,165 קבצים. כדי לקבל את כל השעות תצטרכו להוריד קבצים מכל חמשת המאגרים, לחבר אותם בעצמכם ולקרוא את השדות של הציונים ותיאור הרגש. אין צורך באישור גישה מיוחד.
from datasets import load_dataset
ds = load_dataset("laion/Emilia-with-Emotion-Annotations")הרישיון
בעמוד המאגר לא דווח רישיון. המשמעות היא שאין הרשאה מפורשת להשתמש בנתונים לפיתוח מסחרי, לאימון מודלים סגורים או להפצה מחדש. כל שימוש מעבר למחקר פנימי מעמיד אתכם בסיכון משפטי, אלא אם תבררו את תנאי המקור מול יוצרי Emilia ו־laion.