Актуализация на данните за гласовете на Mozilla Common Voice 7.0

Компаниите NVIDIA и Mozilla представиха обновление на наборите с гласови данни, събрани в резултат на инициативата Common Voice, които включват примери за произношение от 182 хиляди души, което е с 25% повече в сравнение с шест месеца назад. 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 размерът на речевия материал в колекцията се увеличи от 9 на 13.9 хиляди часа реч. Броят на поддържаните езици нарасна от 60 на 76, включително за първи път бе добавена поддръжка за беларуски, казахски, узбекски, български, арменски, азербайджански и башкирски езици. Наборът за руския език обхваща 2136 участника и 173 часа речеви материали (беше 1412 участника и 111 часа), а за украинския език — 615 участника и 66 часа (беше 459 участника и 30 часа).

В подготовката на материалите на английски език участваха над 75 хиляди души, които диктуваха 2637 часа потвърдена реч (бяха 66 хиляди участника и 1686 часа). Интересно е, че на второ място по обем на събраните данни е рwandа, за която са събрани 2260 часа. Следват немски (1040), каталонски (920) и есперанто (840). От най-динамично увеличаващите се езици с гласови данни се споменават тайски (увеличение на базата 20 пъти, от 12 на 250 часа), луганда (от 8 на 80 часа), есперанто (от 100 на 840 часа) и тамилски (от 24 на 220 часа).

В рамките на участието си в проекта Common Voice, компанията NVIDIA създаде предварително обучени модели на базата на събраните данни за системи за машинно обучение (поддържат се от PyTorch). Моделите се разпространяват в комплекта с безплатния и отворен инструментариум NVIDIA NeMo, който, например, вече се използва в автоматизирани гласови услуги на МТС и Сбербанк. Моделите са насочени към употреба в системи за разпознаване на реч, синтез на реч и обработка на информация на естествен език и могат да бъдат полезни за изследователи, занимаващи се със създаване на гласови диалогови системи, платформи за транскрипция и автоматизирани кол-центрове. За разлика от предишните достъпни проекти, публикацията на тези модели не е ограничена до разпознаване на английски език и обхваща различни езици, акценти и форми на реч.

Напомняме, че проектът Common Voice има за цел да организира съвместна работа по натрупването на база гласови шаблони, която отчита всичкото разнообразие от гласове и стилове на говорене. На потребителите им се предлага да озвучат показаните на екрана фрази или да оценят качеството на данните, добавени от други потребители. Натрупаната база данни с записи на различни произношения на типови фрази от човешката реч без ограничения може да се използва в системи за машинно обучение и в изследователски проекти.

Според автора на библиотеката за разпознаване на свързана реч Vosk, недостатъците на набора Common Voice са едностранчивостта на гласовия материал (преобладаване на мъжки гласове на хора на възраст 20-30 години и недостиг на материал с женски, детски и стари гласове), отсъствието на разнообразие в речника (повторение на едни и същи фрази) и разпространението на записи в формат MP3, който внася изкривявания.

Източник: opennet.ru