Актуализация на Mozilla Common Voice 7.0

NVIDIA и Mozilla пуснаха актуализация на своите набори от данни Common Voice, които включват проби от говор на 182 25 хора, което е с 6% повече от преди 0 месеца. Данните се публикуват като обществено достояние (CCXNUMX). Предложените комплекти могат да се използват в системи за машинно обучение за изграждане на модели за разпознаване и синтез на реч.

В сравнение с предишната актуализация, размерът на речевия материал в колекцията се е увеличил от 9 на 13.9 хиляди часа реч. Броят на поддържаните езици се е увеличил от 60 на 76, включително за първи път поддръжка за беларуски, казахски, узбекски, български, арменски, азербайджански и башкирски езици. Наборът за руски език обхваща 2136 участници и 173 часа речев материал (има 1412 участници и 111 часа), а за украински език - 615 участници и 66 часа (има 459 участници и 30 часа).

Повече от 75 хиляди души участваха в подготовката на материали на английски език, диктувайки 2637 часа потвърдена реч (имаше 66 хиляди участници и 1686 часа). Интересното е, че езикът на второ място по количество натрупани данни е Руанда, за който са събрани 2260 часа. Следват немски (1040), каталонски (920) и есперанто (840). Сред най-динамично нарастващия размер на гласовите данни са тайландският език (20-кратно увеличение на основата, от 12 на 250 часа), луганда (от 8 на 80 часа), есперанто (от 100 на 840 часа) и тамилски ( от 24 до 220 часа).часа).

Като част от участието си в проекта Common Voice, NVIDIA подготви готови обучени модели за системи за машинно обучение (поддържани от PyTorch) въз основа на събраните данни. Моделите се разпространяват като част от безплатния и отворен инструментариум NVIDIA NeMo, който например вече се използва в автоматизираните гласови услуги на MTS и Sberbank. Моделите са предназначени за използване в системи за разпознаване на реч, синтез на реч и обработка на естествен език и могат да бъдат полезни за изследователи, изграждащи гласово активирани системи за диалог, платформи за транскрипция и автоматизирани центрове за обаждания. За разлика от наличните по-рано проекти, публикуваните модели не се ограничават до разпознаване на английски език и обхващат различни езици, акценти и форми на реч.

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.

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