jenny_tts_dataset
קוד פתוחreach-vbרישיון לא דווח2024-01-09
המאגר כולל סביב 30 שעות של קול אירי נשי יחיד. הוא מתאים למי שרוצה לאמן מודל דיבור באנגלית עם אופי ברור ומגוון טקסטים רחב.
- 319הורדות בחודש
- 39לייקים
מה זה
הנתונים מורכבים מכ־30 שעות הקלטה של דוברת אחת בשם ג'ני, בעלת מבטא אירי. המלל שהיא מקריאה מגוון מאוד ומגיע מעולמות תוכן שונים: כותרות עיתונים, תמלילים של סרטוני יוטיוב, תסריטים מהסדרה חברים, תגובות מרדיט, מתכונים, מילות שירים כולל ראפ, וערכי ויקיפדיה בנושאי היסטוריה, מדע ופילוסופיה. בנוסף הוקראו חלקים גדולים מתוך הספרים נשים קטנות וכשני שלישים מהספר 1984.
הטקסטים עברו עיבוד מקדים קל בעת האיסוף מהמקורות. ההקלטות עצמן נשמרו באיכות של 48 קילו-הרץ, 16 סיביות, עם שני ערוצים, אם כי נעשה שימוש במיקרופון יחיד בלבד. אין כרגע חלוקה מובנית לסט בדיקה או אימות, והקבצים מחולקים לעשרה חלקי אימון עיקריים שמהם ניתן לשחזר מהיכן נלקח כל קטע.
מתאים ל
- אימון מודל דיבור אירי
בניית קול סינתטי באנגלית עם מבטא אירי מובחן על בסיס דוברת יחידה.
- מחקר על הקראת סגנונות
בדיקת יכולת המודל להתמודד עם טקסטים מגוונים מראפ ועד ספרי קריאה.
- הערכת עמידות לרעשי רקע
בדיקת מודלים מול שקט ראשוני ונקישות הקלטה אמיתיות שלא סוננו מראש.
איפה זה נופל
ההקלטות הן חומר גלם שלא נחתך. בתחילת חלק מהקטעים יש כמה שניות של שקט, ולפעמים שומעים נקישה חלשה שנוצרה כשהקריינית לחצה על מקש ההקלטה. חובה לנקות ולחתוך את זה לפני האימון כדי לא להכניס שקט ונקישות למודל. בנוסף, מדובר בדוברת אחת עם מבטא אירי ספציפי ובאנגלית בלבד, כך שאין כאן מענה לעברית או לגיוון קולי רחב.
שאלות
נפוצות
האם מותר להשתמש במאגר למוצר מסחרי?
כן, היוצר מתיר שימוש מסחרי במפורש בטקסט הנלווה. התנאי היחיד הוא ציון הקרדיט לקול בשם Jenny או Jenny (Dioco) בממשק שבו המשתמש מפיק את הדיבור.
האם יש במאגר הקלטות בעברית?
לא. כל ההקלטות הן באנגלית בלבד, מפי קריינית אחת בעלת מבטא אירי, ומבוססות על מקורות טקסט באנגלית.
האם האודיו מוכן ישירות לתהליך אימון?
לא, נדרש ניקוי מקדים. הקבצים מכילים שניות דממה בתחילתם ולעיתים קול נקישה של לחיצה על המקלדת, ולכן תצטרכו לחתוך את תחילת הקטעים בעצמכם.
איך המאגר מאורגן וכמה קבצים יש בו?
במאגר יש 12 קבצים סך הכל. הנתונים עצמם מפוצלים לעשרה קובצי parquet של סט האימון, בפורמט שמע של 48 קילו-הרץ ו־16 ביט.
איך טוענים
טוענים את המאגר ישירות דרך ספריית datasets הרגילה ללא צורך באישור גישה מראש. הנתונים ארוזים בעשרה קובצי parquet תחת תיקיית האימון, לצד קובץ התיעוד. שימו לב שהאודיו מגיע בקידוד PCM מלא של 48 קילו-הרץ, כך שסביר להניח שתרצו לדגום אותו מחדש לקצב נמוך יותר ולחלץ את התמליל והאודיו מתוך הרשומות.
from datasets import load_dataset
ds = load_dataset("reach-vb/jenny_tts_dataset")הרישיון
למרות שלא נבחר רישיון סטנדרטי בהגדרות, תנאי השימוש מפורטים בטקסט. שימוש מסחרי מותר. החובה העיקרית היא מתן קרדיט: כל ממשק או תוכנה שמייצרים קול מהמאגר חייבים לציין את השם Jenny ובמידת האפשר Jenny (Dioco). אין צורך לתת קרדיט על קובצי אודיו שנוצרו וחולקו, ואסור לטעון לבעלות על המאגר.