Společnost Mozilla představila aktualizaci hlasových dat Common Voice, která zahrnuje příklady výslovnosti od zhruba 200 000 lidí. Tato data jsou publikována jako veřejné dílo (CC0). Dodané sady lze využít v systémech strojového učení pro vývoj modelů rozpoznávání a syntézy řeči. Ve srovnání s předchozí aktualizací objem řečových materiálů v kolekci vzrostl o 30 % — z 13,9 na 18,2 tisíce hodin řeči. Počet podporovaných jazyků se zvýšil z 67 na 87.
Sada pro ruský jazyk zahrnuje 2452 účastníků a 193 hodin řečového materiálu (předtím 2136 účastníků a 173 hodin), pro běloruský jazyk — 6160 účastníků a 987 hodin (předtím 3831 účastník a 356 hodin), pro ukrajinský jazyk — 684 účastníků a 76 hodin (předtím 615 účastníků a 66 hodin). Na přípravě materiálů v anglickém jazyce se podílelo více než 79 000 lidí, kteří nadiktovali 2886 hodin potvrzeného řečového materiálu (předtím 75 000 účastníků a 2637 hodin).
Připomínáme, že projekt Common Voice se zaměřuje na organizaci spolupráce při shromažďování databáze hlasových šablon, která zohledňuje veškerou rozmanitost hlasů a způsobů mluvy. Uživatelé jsou vyzváni, aby ozvučili na obrazovce zobrazené fráze nebo hodnotili kvalitu dat přidaných jinými uživateli. Nasbíranou databázi se záznamy různých výslovností standardních frází lidské řeči bez omezení lze využít v systémech strojového učení a v výzkumných projektech. Podle autora knihovny pro rozpoznávání plynulé řeči Vosk jsou nedostatky sady Common Voice jednostrannost hlasového materiálu (převaha mužů ve věku 20-30 let a nedostatek materiálu s ženskými, dětskými a staršími hlasy), absence variabilnosti slovníku (opakování stejných frází) a rozšíření záznamů ve zkreslujícím formátu MP3.
Dále lze zmínit vydání nástroje NVIDIA NeMo 1.6, který poskytuje metody strojového učení pro vývoj systémů rozpoznávání řeči, syntézy řeči a zpracování informací v přirozeném jazyce. NeMo zahrnuje hotové předtrénované modely pro systémy strojového učení založené na frameworku PyTorch, které připravila společnost NVIDIA pomocí databáze řečových dat Common Voice a pokrývají různé jazyky, akcenty a formy řeči. Modely mohou být užitečné pro výzkumníky zabývající se tvorbou hlasových dialogových systémů, platforem pro transkripci a automatizovaných call center. Například NVIDIA NeMo se používá v automatizovaných hlasových službách MTS a Sberbank. Kód NeMo je napsán v jazyce Python s využitím PyTorch a je distribuován pod licencí Apache 2.0.
Zdroj: opennet.ru
