Актуализация на гласовите данни Mozilla Common Voice 8.0

Компания Mozilla представи обновление на наборите от гласови данни Common Voice, включващи примери за произношение на около 200 хиляди души. Данните са публикувани като обществено достояние (CC0). Предложените набори могат да се използват в системи за машинно обучение за изграждане на модели за разпознаване и синтез на реч. В сравнение с предишното обновление обемът на речевия материал в колекцията е увеличен с 30% — от 13.9 до 18.2 хиляди часа реч. Броят на поддържаните езици се е увеличил от 67 на 87.

Наборът за руски език обхваща 2452 участника и 193 часа речеви данни (бяха 2136 участника и 173 часа), за белоруски език — 6160 участника и 987 часа (бяха 3831 участник и 356 часа), за украински език — 684 участника и 76 часа (бяха 615 участника и 66 часа). В подготовката на материалите на английски език участваха над 79 хиляди души, които записаха 2886 часа потвърдена реч (бяха 75 хиляди участника и 2637 часа).

Напомняме, че проектът Common Voice е насочен към организиране на съвместна работа по натрупване на база гласови шаблони, отразяваща цялото разнообразие на гласовете и манерите на речта. На потребителите се предлага да озвучават изведените на екран фрази или да оценяват качеството на данните, добавени от други потребители. Натрупаната база данни с записи на различни произношения на типови фрази на човешкия речник без ограничения може да се използва в системи за машинно обучение и в изследователски проекти. По мнение на автора на библиотека за разпознаване на слита реч Vosk, недостатъците на наборa Common Voice са едностранчивостта на звуковия материал (преобладаване на мъже на възраст 20-30 години и недостатъчно количество материал с гласове на жени, деца и възрастни хора), липсата на вариативност в речника (повторение на едни и същи фрази) и разпространението на записите в носещи изкривяващи формати MP3.

Допълнително може да се отбележи пускането на инструмента NVIDIA NeMo 1.6, предоставящ методи за машинно обучение за създаване на системи за разпознаване на реч, синтез на реч и обработка на информация на естествен език. NeMo включва готови обучени модели за системи за машинно обучение на база фреймворка PyTorch, подготвени от компанията NVIDIA с използване на речеви данни от Common Voice и обхващащи различни езици, акценти и форми на реч. Моделите могат да бъдат полезни за изследователи, занимаващи се с разработване на гласови диалогови системи, платформи за транскрипция и автоматизирани кол центрове. Например, NVIDIA NeMo се използва в автоматизирани гласови услуги на МТС и Сбербанк. Кодът на NeMo е написан на Python, използвайки PyTorch и се разпространява под лицензия Apache 2.0.

Източник: opennet.ru