মজিলা কমন ভয়েস 8.0 আপডেট

মোজিলা তার কমন ভয়েস ডেটাসেটগুলিতে একটি আপডেট প্রকাশ করেছে, যার মধ্যে প্রায় 200 মানুষের উচ্চারণ নমুনা রয়েছে৷ 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 পরিমাণ 30% বৃদ্ধি পেয়েছে - 13.9 থেকে 18.2 হাজার ঘন্টা বক্তৃতা। সমর্থিত ভাষার সংখ্যা 67 থেকে 87 এ উন্নীত হয়েছে।

রাশিয়ান ভাষার সেটটি 2452 অংশগ্রহণকারী এবং 193 ঘন্টা বক্তৃতা সামগ্রী (2136 জন অংশগ্রহণকারী এবং 173 ঘন্টা ছিল), বেলারুশিয়ান ভাষার জন্য - 6160 অংশগ্রহণকারী এবং 987 ঘন্টা (3831 জন অংশগ্রহণকারী এবং 356 ঘন্টা ছিল), ইউক্রেনীয় ভাষার জন্য - 684 অংশগ্রহণকারী এবং 76 ঘন্টা (615 অংশগ্রহণকারী এবং 66 ঘন্টা ছিল)। 79 ঘন্টা নিশ্চিত বক্তৃতা (এখানে 2886 হাজার অংশগ্রহণকারী এবং 75 ঘন্টা ছিল) নির্দেশ করে 2637 হাজারেরও বেশি লোক ইংরেজিতে উপকরণ তৈরিতে অংশ নিয়েছিল।

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।

উপরন্তু, আমরা NVIDIA NeMo 1.6 টুলকিটের রিলিজ নোট করতে পারি, যা স্পিচ রিকগনিশন সিস্টেম, বক্তৃতা সংশ্লেষণ এবং প্রাকৃতিক ভাষা প্রক্রিয়াকরণ তৈরির জন্য মেশিন লার্নিং পদ্ধতি প্রদান করে। NeMo-এ PyTorch ফ্রেমওয়ার্কের উপর ভিত্তি করে মেশিন লার্নিং সিস্টেমের জন্য প্রস্তুত প্রশিক্ষিত মডেল অন্তর্ভুক্ত রয়েছে, যা NVIDIA দ্বারা কমন ভয়েস স্পিচ ডেটা ব্যবহার করে তৈরি করা হয়েছে এবং বিভিন্ন ভাষা, উচ্চারণ এবং বক্তৃতার ধরন কভার করে। মডেলগুলি ভয়েস-ভিত্তিক সংলাপ সিস্টেম, ট্রান্সক্রিপশন প্ল্যাটফর্ম এবং স্বয়ংক্রিয় কল সেন্টার বিকাশকারী গবেষকদের জন্য উপযোগী হতে পারে। উদাহরণস্বরূপ, NVIDIA NeMo MTS এবং Sberbank-এর স্বয়ংক্রিয় ভয়েস পরিষেবাগুলিতে ব্যবহৃত হয়। NeMo কোড PyTorch ব্যবহার করে পাইথনে লেখা হয় এবং Apache 2.0 লাইসেন্সের অধীনে বিতরণ করা হয়।

উত্স: opennet.ru