GLOBE_V2

מה זה

המאגר מבוסס במקור על Common Voice, אבל עבר סינון קפדני ושיפור איכות כדי לתקן את הבעיות המוכרות משם. היוצרים השלימו מטא-דאטה חסר על הדוברים, ניקו רעשים וסיננו דגימות בעייתיות. בגרסת המאמר המקורית דובר על 535 שעות דיבור מ־23,519 דוברים ב־164 מבטאים.

בגרסה הזו, V2, בוצעה הרמת דגימה ל־44.1 קילוהרץ והוסרו כ־5% מההקלטות עקב בעיות של עוצמת שמע ותיאום עם הטקסט. הנתונים מחולקים לקובצי אימון ומבחן בפורמט Parquet, שכוללים הקלטות קול ומידע מפורט על הדובר כדי לתמוך בזיהוי וסינתזה מותאמת אישית.

מתאים ל

• אימון מודלי הקראה מגוונים

  סינתזת דיבור מסוג text to speech ששומרת על מאפייני הדובר גם עם מבטאים מורכבים ולא שגרתיים.

• שיפור זיהוי דיבור במבטא

  בדיקה וכיול של מודלי ASR כדי שלא ייכשלו מול דוברי אנגלית שאינם שפת אם.

• סיווג דוברים ומבטאים

  אימון מערכות לסיווג אודיו וזיהוי מאפייני שפה על בסיס המטא-דאטה הנרחב שמצורף לכל קובץ.

איפה זה נופל

המאגר מכיל אנגלית בלבד. אם המוצר שלכם צריך להתמודד עם שפות אחרות, הוא פשוט לא יעזור. בנוסף, האודיו בגרסה הזו עבר supersampling ל־44.1 קילוהרץ, וחשוב לזכור שזו הרמה מלאכותית מקור של 24 קילוהרץ ולא הקלטת מקור באולפן. כדאי גם לשים לב שהיוצרים עצמם מודים שהיו בעיות סנכרון ו־volumn שחייבו מחיקה של כחמישה אחוזים מהחומר.

אותה משפחה

GLOBE יצא ב־2 גרסאות שיש להן עמוד כאן. אלה האחרות, לפי כמה מורידים אותן.

איך טוענים

אתם טוענים אותו ישירות דרך Hugging Face בספריית datasets הרגילה, בלי צורך לבקש אישור גישה מוקדם. הדאטהסט מחולק ל־164 קובצי Parquet של train ועוד שניים של test, כך שמדובר בנפח הורדה משמעותי שמחייב חיבור טוב ומקום פנוי בדיסק. השדות המרכזיים כוללים את האודיו עצמו, הטקסט, ומטא-דאטה על מאפייני הדובר והמבטא שלו.

from datasets import load_dataset

ds = load_dataset("MushanW/GLOBE_V2")

הרישיון

הרישיון כאן הוא cc0-1.0, שזה למעשה נחלת הכלל. אתם יכולים לקחת את הנתונים, להשתמש בהם למטרות מסחריות, לאמן מודלים סגורים, ולא חלה עליכם חובה חוקית לתת קרדיט או לפתוח את הקוד שלכם.

הרישיון המלא ב־Hugging Face ↗