suno

מה זה

המאגר כולל 659,788 רשומות של שירים שנוצרו בסונו, ללא חלוקה לסטים אלא כקובץ אימון יחיד. כל רשומה כוללת מזהה ייחודי, נתוני יוצר, מדדי פופולריות כמו האזנות והצבעות, ומידע טכני על המודל שייצר את היצירה. החלק המעניין נמצא במטא-דאטה של היצירה עצמה, שמכיל את הפרומפטים המקוריים, מילות השיר, משך הזמן בשניות, תגיות סגנון חיוביות ושליליות, ושדות בוליאניים כמו קיום שירה אנושית או שגיאות ביצירה.

איסוף המידע התבצע באמצעות הרצת שאילתות חיפוש באתר סונו עם מילים מתוך רשימת המילים באנגלית של dwyl. המשמעות היא שאין כאן דגימה אקראית או מאוזנת של כלל היצירות בפלטפורמה, אלא תוצאות שצצו בחיפוש לפי מילים מוגדרות מראש. מבחינת שפות, השפה העיקרית במטא-דאטה ובטקסטים היא אנגלית, אם כי יש נוכחות של יפנית ושפות נוספות בכותרות ובמילים.

מתאים ל

• ניתוח פרומפטים מוזיקליים

  מחקר על הקשר בין מילות תיאור, תגיות ז'אנר והתוצר המבוקש במודלים של מוזיקה.

• אימון מודל טקסט למוזיקה

  שימוש בטקסטים ובתגיות כדי ללמד מודלים להתאים הגדרות סגנוניות למילים.

• חיזוי פופולריות של שירים

  בניית מודל שמעריך צפיות והצבעות לפי אורך השיר, הז'אנר וסוג המודל שיצר אותו.

איפה זה נופל

ההטיה המרכזית נובעת משיטת האיסוף, שמבוססת על מילון אנגלי ספציפי, ולכן ייצוג הז'אנרים והשפות מוטה באופן כבד לאנגלית ולמילים יומיומיות. עברית לא מוזכרת בכרטיס וקרוב לוודאי שאינה קיימת או מופיעה רק בשברירי אחוזים מקריים. בנוסף, המאגר מספק קישורים חיצוניים לקבצי המדיה ולא את הקבצים עצמם. שרתים חיצוניים מוחקים קבצים ישנים או חוסמים גישה עם הזמן, כך שאין ערובה שהאודיו עדיין זמין להורדה. יש גם רשומות שמכילות שגיאות יצירה ולא הפיקו שיר תקין.

איך טוענים

המאגר שמור כקובץ Parquet יחיד עם דחיסת zstd תחת השם data/train-00000-of-00001.parquet, וטוענים אותו ישירות בלי צורך באישור גישה או מפתח מיוחד. חשוב לזכור שהקובץ אינו מכיל את קבצי האודיו עצמם אלא רק מטא-דאטה וכתובות רשת בשדות audio_url ו־video_url. אם תרצו לנתח את הסאונד בפועל, תצטרכו לכתוב תהליך נפרד שיוריד את הקבצים מהשרתים, מה שדורש רוחב פס וזמן עבודה ניכר מעבר לטעינת טבלת הנתונים.

from datasets import load_dataset

ds = load_dataset("nyuuzyou/suno")

הרישיון

המאגר שוחרר ברישיון CC0 1.0, שמקביל לנחלת הכלל. מותר להשתמש במידע לכל צורך, כולל פיתוח מודלים ומסחר, ללא צורך בייחוס, תשלום או שיתוף באותו רישיון. עם זאת, הרישיון מכסה רק את נתוני הטבלה שנאספו ולא מבטיח זכויות יוצרים על קבצי האודיו והתמונות עצמם שנוצרו בפלטפורמה של סונו.

הרישיון המלא ב־Hugging Face ↗