Taklaxbr/tr-full-dataset

Not: Bu veri setinin dokümantasyonu Türk yapay zeka topluluğuna katkı sağlamak amacıyla VeriPazarı tarafından Türkçeye çevrilmiştir. Orijinal veri seti Codyfederer tarafından geliştirilmiş olup, VeriPazarı tarafından Türk AI ekosistemi için arşivlenmiştir. 🔗 Orijinal Kaynak: Codyfederer/tr-full-dataset 🔗 Derleyen Platform: VeriPazarı

TR-Full_dataset (Duygu Etiketli Türkçe Ses Veri Seti)

Bu veri seti, 88 kaynak veri setinden derlenmiş 41.427 ses segmentini (parçasını) içeren birleştirilmiş (merged) bir ses veri setidir.

Veri Seti Bilgileri

• —Toplam Segment: 41.427
• —Konuşmacılar (Speakers): 222
• —Diller: tr (Türkçe)
• —Duygular (Emotions): neutral (nötr), angry (kızgın), sad (üzgün), happy (mutlu)
• —Orijinal Veri Setleri: 88 adet farklı kaynak

Veri Seti Yapısı

Her bir örnek şunları içerir:

• —audio: Ses dosyası (WAV formatında, orijinal örnekleme hızı korunmuştur)
• —text: Sesin transkripsiyonu (metin hali)
• —speaker_id: Benzersiz konuşmacı kimliği (birleştirilen tüm veri setleri arasında benzersiz hale getirilmiştir)
• —emotion: Tespit edilen duygu (nötr, mutlu, üzgün vb.)
• —language: Dil kodu (tr, en, es, fr vb.)

Kullanım

Veri Setini Yükleme (Hugging Face Datasets ile)

from datasets import load_dataset

# Veri setini yükle
dataset = load_dataset("Codyfederer/tr-full-dataset")

# Eğitim (train) ayrımına erişim sağla
train_data = dataset["train"]

# Örnek: İlk veriyi al
sample = train_data[0]
print(f"Text: {sample['text']}")
print(f"Speaker: {sample['speaker_id']}")
print(f"Language: {sample['language']}")
print(f"Emotion: {sample['emotion']}")

# Sesi oynatma (ses kütüphaneleri gerektirir)
# sample['audio']['array'] ses verisini içerir
# sample['audio']['sampling_rate'] örnekleme hızını içerir

Alternatif: JSONL Dosyasından Yükleme

from datasets import Dataset, Audio, Features, Value
import json

# JSONL dosyasını yükle
rows = []
with open("data.jsonl", "r", encoding="utf-8") as f:
    for line in f:
        rows.append(json.loads(line))

features = Features({
    "audio": Audio(sampling_rate=None),
    "text": Value("string"),
    "speaker_id": Value("string"),
    "emotion": Value("string"),
    "language": Value("string")
})

dataset = Dataset.from_list(rows, features=features)

Veri Seti Dosya Yapısı

Veri seti şunları içerir:

• —data.jsonl - Tüm sütunları içeren ana veri seti dosyası (JSON Lines)
• —*.wav - audio_XXX/ alt dizinlerindeki ses dosyaları
• —load_dataset.txt - Veri setini yüklemek için Python betiği (kullanmak için adını .py olarak değiştirin)

JSONL Anahtarları (Keys):

• —audio: Göreceli ses yolu (örn: audio_000/segment_000000_speaker_0.wav)
• —text: Sesin transkripsiyonu
• —speaker_id: Benzersiz konuşmacı kimliği
• —emotion: Tespit edilen duygu
• —language: Dil kodu

Konuşmacı ID (Speaker ID) Eşleştirmesi

Çakışmaları önlemek adına Konuşmacı ID'leri, birleştirilen tüm veri setleri genelinde benzersiz hale getirilmiştir. Örneğin:

• —Orijinal Veri Seti A: speaker_0, speaker_1
• —Orijinal Veri Seti B: speaker_0, speaker_1
• —Birleştirilmiş (Merged) Veri Seti: speaker_0, speaker_1, speaker_2, speaker_3

Orijinal veri seti bilgileri, referans olması amacıyla meta verilerde (metadata) korunmaktadır.

Veri Kalitesi

Bu veri seti, Vyvo Dataset Builder kullanılarak aşağıdaki özelliklerle oluşturulmuştur:

• —Otomatik transkripsiyon ve konuşmacı ayrıştırma (diarization)
• —Ses segmentleri için kalite filtrelemesi
• —Müzik ve gürültü filtrelemesi
• —Duygu tespiti (Emotion detection)
• —Dil tanıma (Language identification)

Lisans

Bu veri seti Creative Commons Attribution 4.0 International License (CC BY 4.0) altında yayınlanmıştır.

Atıf (Citation)

@dataset{vyvo_merged_dataset,
  title={TR-Full_dataset},
  author={Vyvo Dataset Builder},
  year={2025},
  url={https://huggingface.co/datasets/Codyfederer/tr-full-dataset}
}

Bu veri seti Vyvo Dataset Builder aracı kullanılarak oluşturulmuştur.

Bu dosya veripazari.com.tr topluluğu tarafından Hugging Face altyapısında barındırılmaktadır. Orijinal emeğe saygı kuralımız gereği lisans ve model isimleri korunmuştur.