মজিলা কমন ভয়েস 7.0 আপডেট

NVIDIA এবং Mozilla তাদের কমন ভয়েস ডেটাসেটের একটি আপডেট প্রকাশ করেছে, যার মধ্যে 182 জন মানুষের বক্তৃতার নমুনা রয়েছে, যা 25 মাস আগের তুলনায় 6% বেশি। ডেটা পাবলিক ডোমেইন (CC0) হিসাবে প্রকাশিত হয়। প্রস্তাবিত সেটগুলি বক্তৃতা শনাক্তকরণ এবং সংশ্লেষণ মডেল তৈরি করতে মেশিন লার্নিং সিস্টেমে ব্যবহার করা যেতে পারে।

পূর্ববর্তী আপডেটের তুলনায়, সংগ্রহে বক্তৃতা উপাদানের আকার 9 থেকে 13.9 হাজার ঘন্টা বক্তৃতায় বেড়েছে। বেলারুশিয়ান, কাজাখ, উজবেক, বুলগেরিয়ান, আর্মেনিয়ান, আজারবাইজানীয় এবং বাশকির ভাষার জন্য প্রথমবারের মতো সমর্থন সহ সমর্থিত ভাষার সংখ্যা 60 থেকে 76-এ বেড়েছে। রাশিয়ান ভাষার জন্য সেটটি 2136 জন অংশগ্রহণকারী এবং 173 ঘন্টা বক্তৃতা সামগ্রী কভার করে (সেখানে 1412 জন অংশগ্রহণকারী এবং 111 ঘন্টা ছিল), এবং ইউক্রেনীয় ভাষার জন্য - 615 অংশগ্রহণকারী এবং 66 ঘন্টা (সেখানে 459 জন অংশগ্রহণকারী এবং 30 ঘন্টা ছিল)।

75 হাজারেরও বেশি লোক ইংরেজিতে উপকরণ তৈরিতে অংশ নিয়েছিল, 2637 ঘন্টা নিশ্চিত বক্তৃতা করে (66 হাজার অংশগ্রহণকারী এবং 1686 ঘন্টা ছিল)। মজার বিষয় হল, জমা হওয়া ডেটার পরিপ্রেক্ষিতে দ্বিতীয় স্থানে থাকা ভাষাটি হল রুয়ান্ডা, যার জন্য 2260 ঘন্টা সংগ্রহ করা হয়েছে। এর পরে রয়েছে জার্মান (1040), কাতালান (920) এবং এস্পেরান্তো (840)। সবচেয়ে গতিশীলভাবে ভয়েস ডেটার আকার বৃদ্ধির মধ্যে রয়েছে থাই ভাষা (বেস 20 গুণ বৃদ্ধি, 12 থেকে 250 ঘন্টা), লুগান্ডা (8 থেকে 80 ঘন্টা), এস্পেরান্তো (100 থেকে 840 ঘন্টা পর্যন্ত) এবং তামিল ( 24 থেকে 220 ঘন্টা পর্যন্ত। ঘন্টা)।

কমন ভয়েস প্রকল্পে অংশগ্রহণের অংশ হিসাবে, NVIDIA সংগৃহীত ডেটার উপর ভিত্তি করে মেশিন লার্নিং সিস্টেমের জন্য প্রস্তুত প্রশিক্ষিত মডেল তৈরি করেছে (PyTorch দ্বারা সমর্থিত)। মডেলগুলি বিনামূল্যে এবং খোলা NVIDIA NeMo টুলকিটের অংশ হিসাবে বিতরণ করা হয়, যা, উদাহরণস্বরূপ, ইতিমধ্যে MTS এবং Sberbank-এর স্বয়ংক্রিয় ভয়েস পরিষেবাগুলিতে ব্যবহৃত হয়। মডেলগুলি বক্তৃতা শনাক্তকরণ, বক্তৃতা সংশ্লেষণ এবং প্রাকৃতিক ভাষা প্রক্রিয়াকরণ সিস্টেমে ব্যবহারের উদ্দেশ্যে এবং ভয়েস-অ্যাক্টিভেটেড ডায়ালগ সিস্টেম, ট্রান্সক্রিপশন প্ল্যাটফর্ম এবং স্বয়ংক্রিয় কল সেন্টার তৈরির গবেষকদের জন্য উপযোগী হতে পারে। পূর্বে উপলব্ধ প্রকল্পগুলির বিপরীতে, প্রকাশিত মডেলগুলি ইংরেজি ভাষা স্বীকৃতির মধ্যে সীমাবদ্ধ নয় এবং বিভিন্ন ভাষা, উচ্চারণ এবং বক্তৃতার ধরনগুলিকে কভার করে।

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।

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