Актуализация на Mozilla Common Voice 8.0

Mozilla пусна актуализация на своите набори от данни Common Voice, които включват примери за произношение от близо 200 0 души. Данните се публикуват като обществено достояние (CC30). 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 обемът на речевия материал в колекцията се е увеличил с 13.9% - от 18.2 на 67 хиляди часа реч. Броят на поддържаните езици се е увеличил от 87 на XNUMX.

Комплектът за руски език обхваща 2452 участници и 193 часа речеви материали (има 2136 участници и 173 часа), за беларуски език - 6160 участници и 987 часа (има 3831 участници и 356 часа), за украински език - 684 участници и 76 часа (има 615 участници и 66 часа). Повече от 79 хиляди души участваха в подготовката на материали на английски език, диктувайки 2886 часа потвърдена реч (имаше 75 хиляди участници и 2637 часа).

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.

Освен това можем да отбележим пускането на инструментариума NVIDIA NeMo 1.6, който предоставя методи за машинно обучение за създаване на системи за разпознаване на реч, синтез на реч и обработка на естествен език. NeMo включва готови за използване обучени модели за системи за машинно обучение, базирани на рамката PyTorch, изготвени от NVIDIA с помощта на Common Voice речеви данни и покриващи различни езици, акценти и форми на реч. Моделите могат да бъдат полезни за изследователи, разработващи гласови системи за диалог, платформи за транскрипция и автоматизирани центрове за обаждания. Например NVIDIA NeMo се използва в автоматизирани гласови услуги на MTS и Sberbank. Кодът на NeMo е написан на Python с помощта на PyTorch и се разпространява под лиценза Apache 2.0.

Източник: opennet.ru