NVIDIA মোজিলা কমন ভয়েস প্রকল্পে $1.5 মিলিয়ন বিনিয়োগ করেছে

NVIDIA মোজিলা কমন ভয়েস প্রকল্পে $1.5 মিলিয়ন বিনিয়োগ করছে। স্পিচ রিকগনিশন সিস্টেমের প্রতি আগ্রহ এই ভবিষ্যদ্বাণী থেকে উদ্ভূত হয় যে আগামী দশ বছরে, ভয়েস প্রযুক্তি মানুষের কম্পিউটার এবং ফোন থেকে শুরু করে ডিজিটাল সহকারী এবং কিয়স্ক পর্যন্ত ডিভাইসগুলির সাথে যোগাযোগ করার অন্যতম প্রধান উপায় হয়ে উঠবে।

ভয়েস সিস্টেমের কার্যকারিতা মেশিন লার্নিং মডেলের প্রশিক্ষণের জন্য উপলব্ধ ভয়েস ডেটার ভলিউম এবং বিভিন্নতার উপর অত্যন্ত নির্ভরশীল। আজকের ভয়েস প্রযুক্তি প্রাথমিকভাবে ইংরেজি ভাষার স্বীকৃতির উপর ফোকাস করে এবং ভাষা, উচ্চারণ এবং বক্তৃতা প্যাটার্নের বিশাল অ্যারেকে কভার করে না। বিনিয়োগটি পাবলিক ভয়েস ডেটার বৃদ্ধিকে ত্বরান্বিত করতে, আরও সম্প্রদায় এবং স্বেচ্ছাসেবকদের জড়িত করতে এবং পূর্ণ-সময়ের প্রকল্প কর্মীদের সংখ্যা প্রসারিত করতে সহায়তা করবে।

আসুন আমরা আপনাকে মনে করিয়ে দিই যে কমন ভয়েস প্রকল্পটি ভয়েস প্যাটার্নগুলির একটি ডাটাবেস জমা করার জন্য যৌথ কাজ সংগঠিত করার লক্ষ্যে রয়েছে যা ভয়েস এবং বক্তৃতা শৈলীর বৈচিত্র্যকে বিবেচনা করে। ব্যবহারকারীদের স্ক্রিনে প্রদর্শিত ভয়েস বাক্যাংশে আমন্ত্রণ জানানো হয় বা অন্যান্য ব্যবহারকারীদের দ্বারা যোগ করা ডেটার গুণমান মূল্যায়ন করা হয়। মানুষের বক্তৃতার সাধারণ বাক্যাংশের বিভিন্ন উচ্চারণের রেকর্ড সহ জমা করা ডাটাবেস মেশিন লার্নিং সিস্টেম এবং গবেষণা প্রকল্পগুলিতে সীমাবদ্ধতা ছাড়াই ব্যবহার করা যেতে পারে।

কমন ভয়েস সেটে বর্তমানে 164 জনেরও বেশি লোকের উচ্চারণ উদাহরণ রয়েছে। 9টি বিভিন্ন ভাষায় প্রায় 60 হাজার ঘণ্টার ভয়েস ডেটা জমা হয়েছে। রাশিয়ান ভাষার জন্য সেট 1412 অংশগ্রহণকারী এবং 111 ঘন্টা বক্তৃতা উপাদান, এবং ইউক্রেনীয় ভাষার জন্য - 459 অংশগ্রহণকারী এবং 30 ঘন্টা কভার করে। তুলনা করার জন্য, 66 হাজারেরও বেশি লোক ইংরেজিতে উপকরণ তৈরিতে অংশ নিয়েছিল, 1686 ঘন্টা যাচাইকৃত বক্তৃতা লিখেছিল। প্রস্তাবিত সেটগুলি বক্তৃতা শনাক্তকরণ এবং সংশ্লেষণ মডেল তৈরি করতে মেশিন লার্নিং সিস্টেমে ব্যবহার করা যেতে পারে। ডেটা পাবলিক ডোমেইন (CC0) হিসাবে প্রকাশিত হয়।

ভোস্ক ক্রমাগত বক্তৃতা স্বীকৃতি গ্রন্থাগারের লেখকের মতে, কমন ভয়েস সেটের অসুবিধাগুলি হ'ল ভয়েস উপাদানের একতরফাতা (20-30 বছর বয়সী পুরুষদের প্রাধান্য এবং মহিলাদের কণ্ঠের সাথে উপাদানের অভাব। , শিশু এবং বৃদ্ধ), অভিধানে পরিবর্তনশীলতার অভাব (একই বাক্যাংশের পুনরাবৃত্তি) এবং বিকৃত MP3 বিন্যাসে রেকর্ডিং বিতরণ।

উত্স: opennet.ru