speechocean762

מה זה

הנתונים מורכבים מחמשת אלפים משפטים באנגלית שמבוטאים על ידי דוברים שאינם ילידיים, כולם דוברי מנדרינית כשפת אם. חצי מהדוברים הם ילדים וחצי מבוגרים, כאשר לכל הקלטה מצורף מידע על גיל ומין הדובר. חמישה מומחים נתנו את הציונים לכל הקלטה באופן עצמאי לפי מדדים אחידים, כדי לצמצם הטיות סובייקטיביות בהערכה.

התיוג נעשה בשלוש רמות שונות. ברמת המשפט המומחים דירגו דיוק, שטף, שלמות ופרוזודיה בסולמות של אפס עד עשר. ברמת המילה נמדדו דיוק והטעמה נכונה, וברמת הפונמה ניתן ציון בין אפס לשתיים. כאשר פונמה קיבלה ציון נמוך מחצי, המתייגים ציינו איזו פונמה נאמרה בפועל במקום זו המקורית, מה שמאפשר לזהות דפוסי שגיאות קונקרטיים.

מתאים ל

• הערכת הגייה באפליקציות שפה

  אימון מודל שבודק דיוק ושטף דיבור של תלמידים באנגלית ברמת הפונמה והמילה.

• זיהוי שגיאות פונטיות

  מיפוי פונמות שהוחלפו בצליל אחר כדי לתת משוב ממוקד ללומדי אנגלית.

• בנצ'מרק למודלי ניקוד דיבור

  בדיקת איכות אלגוריתמים מול ציונים ידניים של חמישה מומחים בלתי תלויים.

איפה זה נופל

כל הדוברים מגיעים מרקע שפתי יחיד של מנדרינית, ולכן אי אפשר להשליך מהביצועים כאן על מבטאים אחרים כמו מבטא ישראלי. חמשת אלפים משפטים זה היקף קטן למדי לאימון מודלי דיבור מאפס, מה שמגביל את השימוש בעיקר לכוונון עדין או הערכה. בנוסף, חצי מהדוברים הם ילדים, מה שעלול לייצר קושי למודלים שלא הוכנו מראש לגוני קול כאלה.

איך טוענים

טוענים את המאגר ישירות דרך ספריית הדאטהסטס הרגילה בלי צורך באישור גישה מיוחד. הקבצים שמורים בפורמט פרקט ומחולקים לסט אימון וסט בדיקה, בנפח כולל של בין אלף לעשרת אלפים רשומות. המבנה כולל את קובצי השמע לצד שדות טקסט, מערכי פונמות, ציוני דיוק, שגיאות הגייה ומטא דאטה של גיל ומין.

from datasets import load_dataset

ds = load_dataset("mispeech/speechocean762")

הרישיון

המאגר שוחרר תחת רישיון אפאצ'י שתיים אפס. מותר להשתמש בו לצרכים מסחריים ומחקר, לשנות את הנתונים ולשלב אותם במוצרים סגורים. הדרישה העיקרית היא מתן קרדיט ושמירה על תנאי הרישיון המקוריים בהפצה של הנתונים.

• שימוש מסחרי
• שינוי הקוד
• הפצה מחדש
• שימוש בפטנטים

הרישיון המלא ב־Hugging Face ↗