NVIDIA инвестира $1.5 милиона в проекта Mozilla Common Voice

NVIDIA инвестира $1.5 милиона в проекта Mozilla Common Voice. Интересът към системите за разпознаване на реч произтича от прогнозата, че през следващите десет години гласовата технология ще се превърне в един от основните начини, по които хората взаимодействат с устройства, вариращи от компютри и телефони до цифрови асистенти и павилиони.

Производителността на гласовите системи е силно зависима от обема и разнообразието от гласови данни, налични за обучение на модели за машинно обучение. Днешната гласова технология се фокусира основно върху разпознаването на английски език и не покрива огромния набор от езици, акценти и модели на говор. Инвестицията ще помогне за ускоряване на растежа на публичните гласови данни, ще ангажира повече общности и доброволци и ще разшири броя на персонала на проекта на пълен работен ден.

Нека ви напомним, че проектът Common Voice е насочен към организиране на съвместна работа за натрупване на база данни от гласови модели, която отчита разнообразието от гласове и стилове на реч. Потребителите са поканени да гласуват фрази, показани на екрана, или да оценят качеството на данните, добавени от други потребители. Натрупаната база данни със записи на различни произношения на типични фрази на човешката реч може да се използва без ограничения в системи за машинно обучение и в изследователски проекти.

Комплектът Common Voice в момента включва примери за произношение от над 164 9 души. Натрупани са около 60 хиляди часа гласови данни на 1412 различни езика. Комплектът за руски език обхваща 111 участници и 459 часа речев материал, а за украински език - 30 участници и 66 часа. За сравнение, повече от 1686 хиляди души са участвали в подготовката на материали на английски език, диктувайки 0 часа проверена реч. Предложените комплекти могат да се използват в системи за машинно обучение за изграждане на модели за разпознаване и синтез на реч. Данните се публикуват като обществено достояние (CCXNUMX).

Според автора на библиотеката за непрекъснато разпознаване на реч Vosk, недостатъците на набора Common Voice са едностранчивостта на гласовия материал (преобладаването на мъже на възраст 20-30 години и липсата на материал с гласове на жени , деца и възрастни хора), липсата на променливост в речника (повтаряне на едни и същи фрази) и разпространението на записи в изкривяващ MP3 формат.

Източник: opennet.ru