Компанията Mozilla представи актуализация на наборите с гласови данни Common Voice, включващи примери за произношение от около 200 хиляди души. Данните са публикувани като публична собственост (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 говорния материал в колекцията е увеличен с 30% — от 13.9 на 18.2 хиляди часа реч. Броят на поддържаните езици е нараснал от 67 на 87.
Наборът за руски език обхваща 2452 участника и 193 часа речеви материали (бяха 2136 участника и 173 часа), за беларуски език — 6160 участника и 987 часа (бяха — 3831 участник и 356 часа), а за украински език — 684 участника и 76 часа (бяха 615 участника и 66 часа). В подготовката на материалите на английски език са участвали над 79 хиляди души, които са записали 2886 часа потвърдена реч (бяха 75 хиляди участника и 2637 часа).
Напомняме, че проектът Common Voice е насочен към организиране на съвместна работа за събиране на база с гласови шаблони, която отразява цялото разнообразие на гласове и стилове на реч. На потребителите се предлага да озвучат изведените на екрана фрази или да оценят качеството на данните, добавени от други потребители. Накопената база данни с записи на различни произношения на типични фрази от човешката реч без ограничения може да бъде използвана в системи за машинно обучение и изследователски проекти. Според автора на библиотеката за разпознаване на слита реч Vosk, недостатъците на набора Common Voice са едностранчивостта на гласовия материал (преобладаване на мъже на възраст 20-30 години и недостиг на материал с гласове на жени, деца и възрастни хора), липсата на вариативност в речника (повторение на едни и същи фрази) и разпространението на записи в ужасяващ формат, който генерира изкривявания - 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. В състава на NeMo влизат готови натренировъчни модели за системи за машинно обучение, базирани на фреймуърка PyTorch, подготвени от компанията NVIDIA, използвайки речеви данни от Common Voice, обхващащи различни езици, акценти и форми на реч. Моделите могат да бъдат полезни за изследователи, занимаващи се със създаването 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
