رونمایی از مجموعه‌داده Joy؛ ۱۰۰ هزار ساعت مکالمه طبیعی برای آموزش مدل‌های صوتی هوش مصنوعی

مقدمه

مجموعه‌داده Joy یک مجموعه‌داده گفتگوی صوتی دوکاناله است که در تاریخ ۲۹ اکتبر ۲۰۲۶ توسط Shobhit Banga (هم‌بنیان‌گذار VoiceArena) معرفی شد. هدف این مجموعه‌داده، آموزش مدل‌های هوش مصنوعی بر اساس شیوه واقعی مکالمه انسان‌ها یعنی زمان مناسب برای گوش دادن، ورود به صحبت یا بیان واکنش‌های کلامی تأییدکننده حین گفتگو است. این مجموعه شامل ۱۰۰ هزار ساعت فایل صوتی مکالمه آزاد و بدون سناریو میان دو نفر، همراه با ترک‌های صوتی مجزا برای هر گوینده، مشارکت ۵۰ هزار گوینده و پشتیبانی از ۱۰ زبان مختلف است.

معرفی اولیه این پروژه در قالب یک رشته‌پیام تخصصی توسط Shobhit Banga منتشر شده است.

بررسی ابعاد پروژه

نکات کلیدی

1. نام‌گذاری اختصاصی مجموعه‌داده: این مجموعه به شکلی سرراست با نام Joy معرفی شده است و برخلاف رویه‌های معمول، عنوانی عمومی و سازمانی ندارد.
2. مقیاس کم‌نظیر: حجم ۱۰۰ هزار ساعته این مجموعه‌داده در مقایسه با نمونه‌های دوکاناله پیشین که معمولاً کمتر از ۲ هزار ساعت بودند، تحولی چشمگیر است؛ علاوه بر این، توزیع داده‌ها میان گویندگان کاملاً متوازن بوده و سهم هیچ گوینده‌ای از ۰٫۰۲ درصد کل ساعات فراتر نمی‌رود.
3. ثبت جزئیات طبیعی مکالمه: فایل‌های صوتی حاوی هم‌پوشانی‌های واقعی صدا، مکث‌ها و بازخوردهای کلامی طبیعی هستند و نمونه‌هایی از مکالمات به زبان‌های انگلیسی و هندی نیز ارائه شده است.
4. نقشه راه توسعه: نسخه اول با حجم ۱۰۰ هزار ساعت معرفی شده است؛ طبق برنامه‌ریزی، نسخه دوم در مارس ۲۰۲۷ با ۱ میلیون ساعت و نسخه سوم در مارس ۲۰۲۸ با ۱۰ میلیون ساعت مکالمه عرضه خواهد شد.
5. آزمون عملی در مدل‌های زبانی: نتایج اولیه نشان می‌دهد که مدل PersonaPlex پس از بازتنظیم روی بخش کوچکی از داده‌های Joy، در نوبت‌گیری و تعامل کلامی عملکردی به‌مراتب طبیعی‌تر نشان می‌دهد.

چرا این موضوع اهمیت دارد؟

مجموعه‌داده Joy به‌عنوان یکی از مهم‌ترین منابع آموزشی در حوزه هوش مصنوعی صوتی معرفی شده و توجه گسترده پژوهشگران این حوزه را به ساختار متمایز خود جلب کرده است.

راهنمای دسترسی و ارزیابی

نحوه پیگیری و دریافت داده‌ها

1. رشته‌پیام رسمی معرفی پروژه را برای شنیدن نمونه‌های صوتی و تحلیل نمودارهای توزیع داده‌ها بررسی کنید.
2. برای اطلاع از لینک‌های دانلود رسمی، مجوزها و انتشارهای احتمالی در پلتفرم Hugging Face، فعالیت‌های VoiceArena را دنبال کنید.
3. برای سنجش عملکرد مدل‌ها، به‌جای تمرکز انحصاری بر بنچمارک‌های ساده تشخیص گفتار (ASR)، از معیارهای ارزیابی نوبت‌گیری و مکالمه تعاملی استفاده کنید.

تا زمان راه‌اندازی صفحه رسمی و لینک‌های پایدار، دسترسی به این مجموعه‌داده در مرحله رونمایی اولیه قرار دارد.