مراجع الصيغ الخليجية واختبارات التحويل بين المنطوق والمكتوب من Bayanat Labs
قد يكتب نظام التعرّف على الكلام مبلغًا بالحروف حيث يجب أن يظهر بالأرقام في النص، وعلى واجهة تحويل النص إلى كلام أن تنطق الأرقام ورموز العملات والتواريخ. ويقدّم هذا الإصدار لفرق الكلام والمستندات والتقنية المالية أزواج اختبار في الاتجاهين، من المنطوق إلى المكتوب (ITN) ومن المكتوب إلى المنطوق (TN)، بالعربية الفصحى والسعودية الخليجية والمصرية، وبالأرقام الغربية والعربية المشرقية: الأعداد الأصلية والترتيبية والمبالغ والتواريخ الهجرية والميلادية والأوقات وأرقام الهواتف وأرقام الهوية والآيبان والنسب المئوية والمقاييس. ومعها جداول مرجعية ومدققات للصيغ التي تتضمنها الأزواج: أرقام الهوية السعودية والإماراتية والمصرية، وأرقام الهوية الكويتية والبحرينية (البنية فقط)، وبنى الآيبان وخطط ترقيم الهواتف في دول الجامعة العربية، وحروف اللوحات السعودية، وجدول للتحويل من تقويم أم القرى الهجري إلى الميلادي مقارَن بمكتبة ICU، وكتابة الأعداد والمبالغ بالحروف العربية. وكل أرقام الهوية والآيبان والهواتف قيم مولَّدة تجتاز فحوص الصيغة، وليست بيانات شخصية حقيقية.
| الترخيص | CC BY 4.0 لأزواج الاختبار والجداول، وCC0 1.0 لحقائق الصيغ، وApache-2.0 لخطط الهواتف والشيفرة |
|---|---|
| الإصدار | v0.1.0 · أزواج الاختبار والجداول والمدققات v0.1.0 بوسم إصدار على GitHub، ولم تُنشر الحزمة على PyPI بعد. |
| تاريخ النشر | |
| آخر تحديث | |
| لمن هذا الإصدار | فرق التعرّف على الكلام وتحويل النص إلى كلام والمستندات والتقنية المالية التي تحوّل الأعداد والمبالغ والتواريخ والمعرّفات العربية بين المنطوق والمكتوب، أو تتحقق من صيغ المعرّفات الخليجية والآيبان وأرقام الهواتف. |
| المستوى | متوسط |
أرقام رئيسية
تُحسب آليًا من الملفات المنشورة. يُقرأ كل رقم من ملف qa/stats.json في مجموعة البيانات على Hugging Face، ويُربط بقيمة SHA-256 الخاصة به.
التنزيل والمعرّفات
| المكان | المحتوى |
|---|---|
| Hugging Face | مجموعة البيانات على Hugging Face |
| GitHub | المدققات وبرنامج التقييم على GitHub |
ابدأ الاستخدام
حمّل أزواج الاختبار بمكتبة datasets، أو ثبّت المدققات وبرنامج التقييم من GitHub عند وسم الإصدار v0.1.0 (لم تُنشر على PyPI بعد).
# Python
from datasets import load_dataset
pairs = load_dataset("Bayanat-Labs/gcc-format-validators", "itn_tn_pairs", split="test")
# Validators and scorer
pip install "git+https://github.com/Bayanat-Labs/gcc-format-validators@v0.1.0"
gcc-formats score --gold test.jsonl --pred predictions.jsonl --direction itnما الذي يتضمنه الإصدار
| الجزء | الترخيص | ضمن الإصدار |
|---|---|---|
| أزواج اختبار التحويل بين المنطوق والمكتوب (قسما التطوير والاختبار) | CC BY 4.0 | نعم |
| جداول الصيغ المجمّعة وجدول التقويم وكتابة الأعداد بالحروف | CC BY 4.0 | نعم |
| حقائق الصيغ (الأطوال والبادئات ومواضع الحقول وقواعد خانة التحقق وجداول الحروف) | CC0 1.0 | نعم |
| خطط ترقيم الهواتف (من بيانات libphonenumber) | Apache-2.0 | نعم |
| المدققات وبرنامج التقييم (حزمة Python) | Apache-2.0 | نعم |
صيغة النسبة: GCC Format Validators and Arabic ITN/TN Test Pairs by Bayanat Labs, CC BY 4.0. https://huggingface.co/datasets/Bayanat-Labs/gcc-format-validators
الاستخدامات المقصودة
- اختبار نظام للتحويل من المنطوق إلى المكتوب أو العكس بحسب الفئة واللهجة ونوع الأرقام، بدقة التطابق التام والصيغ البديلة والتطابق بعد التوحيد من برنامج التقييم.
- التحقق من صيغة أرقام الهوية السعودية والإماراتية والمصرية والآيبان وأرقام الهواتف واللوحات السعودية.
- التحويل بين تقويم أم القرى الهجري والتقويم الميلادي، وكتابة الأعداد والمبالغ بالحروف العربية.
خارج النطاق
- التحقق من أن رقم هوية أو آيبان أو رقم هاتف يعود إلى شخص أو حساب حقيقي: تتحقق المدققات من الصيغة فقط.
- التدريب على قسم الاختبار: فهو مخصص للتقييم.
الحقوق باختصار
التدريب والعرض وإعادة التوزيع وإنشاء الأصوات الاصطناعية أذونات منفصلة.
| الاستخدام | الحالة | ملاحظة |
|---|---|---|
| التدريب | مسموح | CC BY 4.0 للأزواج والجداول المجمّعة، وCC0 1.0 لحقائق الصيغ، مع الاحتفاظ بإشعارات المصادر للحقول المشتقة. |
| العرض | مسموح | بترخيص CC BY 4.0 مع نسبتها إلى المصدر. وكل المعرّفات قيم مولَّدة، وليست بيانات شخصية. |
| إعادة التوزيع | مسموح | بترخيص CC BY 4.0 مع نسبتها إلى المصدر، وخطط الهواتف بترخيص Apache-2.0، مع الاحتفاظ بإشعارات MIT ورخصة Unicode V3 للحقول المشتقة. |
| الصوت الاصطناعي | لا ينطبق | نصوص وجداول فقط. |
القيود
- لم يراجع أزواجَ الاختبار بعدُ متحدثون أصليون لكل لهجة، ويحمل كل زوج وسمًا بحالة مراجعته.
- تقتصر تغطية أرقام الهوية الكويتية والبحرينية على البنية.
- يتطابق جدول أم القرى مع تقويم islamic-umalqura في مكتبة ICU في كل يوم ضمن مدى أوسط من السنوات، ويختلفان في أيام كثيرة خارجه؛ وكل اختلاف مدرج في مجموعة البيانات مع أعداده.
- لا تُنشر نتائج مرجعية لأي نظام في هذا الإصدار.
المصادر والتراخيص
| المصدر | الترخيص | يُعاد توزيعه هنا |
|---|---|---|
| libphonenumber metadata | Apache-2.0 | نعم |
| schwifty IBAN registry data | MIT | نعم |
| hijridate (Umm al-Qura month starts) | MIT | نعم |
| Unicode CLDR 48.2 (currency names) | رخصة Unicode V3 | نعم |
أزواج الاختبار والقوالب والجداول المجمّعة من إعداد Bayanat Labs. وتحتفظ الحقول المشتقة من المصادر أعلاه بإشعارات مصادرها (ملف NOTICE في المستودع وملف LICENSE-sources.md في مجموعة البيانات)، ورموز العملات ووحداتها الفرعية حقائق تنشرها SIX. تفاصيل المصادر (بالإنجليزية)
طريقة الاستشهاد
صيغة الاستشهاد:
Bayanat Labs (2026). GCC Format Validators and Arabic ITN/TN Test Pairs, version 0.1.0. Bayanat Labs. https://huggingface.co/datasets/Bayanat-Labs/gcc-format-validators
لا يوجد معرّف DOI. استشهد بالرابط الوارد في صيغة الاستشهاد أعلاه وبتاريخ اطلاعك عليه.
@misc{bayanatlabs2026gccformatvalidators,
author = {{Bayanat Labs}},
title = {GCC Format Validators and Arabic ITN/TN Test Pairs, version 0.1.0},
year = {2026},
month = oct,
howpublished = {\url{https://huggingface.co/datasets/Bayanat-Labs/gcc-format-validators}}
}
كيف نتعامل مع الاستشهاد (بالإنجليزية)
سجل التغييرات
| التاريخ | الإصدار | التغيير |
|---|---|---|
| v0.1.0 | أزواج الاختبار وجداول الصيغ وجدول التقويم والمدققات وبرنامج التقييم على GitHub وHugging Face. |
التصحيح وطلبات الإزالة
إذا وجدت في هذا الإصدار ما لا ينبغي وجوده أو ما يحتاج إلى تصحيح، فراسلنا على hello@bayanatlabs.com. نعالج طلبات الإزالة خلال 30 يومًا، وطلبات المنصات خلال 24 ساعة. كيف تعمل طلبات الإزالة
المنتج المرتبط: Bayanat Voice