Společnosti NVIDIA a Mozilla představily aktualizaci souborů hlasových dat, shromážděných v rámci iniciativy Common Voice, a obsahujících příklady výslovnosti od 182 tisíc lidí, což je o 25 % více než před 6 měsíci. Data byla zveřejněna jako veřejné vlastnictví (CC0). Navrhované soubory lze použít v systémech strojového učení k vytvoření modelů rozpoznávání a syntézy řeči.
Ve srovnání s minulou aktualizací se objem řečového materiálu v kolekci zvýšil z 9 na 13,9 tisíce hodin. Počet podporovaných jazyků vzrostl ze 60 na 76, přičemž poprvé byla přidána podpora běloruštiny, ruštiny, uzbečtiny, bulharštiny, arménštiny, ázerbájdžánštiny a baškirštiny. Sada pro ruský jazyk pokrývá 2136 účastníků a 173 hodin řečového materiálu (bylo 1412 účastníků a 111 hodin), zatímco pro ukrajinský jazyk - 615 účastníků a 66 hodin (bylo 459 účastníků a 30 hodin).
Při přípravě materiálů v anglickém jazyce se podílelo více než 75 tisíc lidí, kteří nadiktovali 2637 hodin potvrzené řeči (bylo 66 tisíc účastníků a 1686 hodin). Zajímavé je, že druhým jazykem s největším objemem shromážděných dat je ruandština, pro kterou bylo shromážděno 2260 hodin. Následují němčina (1040), katalánština (920) a esperanto (840). Mezi jazyky s nejrychleji rostoucími objemy hlasových dat se uvádějí thajský jazyk (růst o 20násobek, z 12 na 250 hodin), luganda (z 8 na 80 hodin), esperanto (ze 100 na 840 hodin) a tamílština (z 24 na 220 hodin).
V rámci svého účastí na projektu Common Voice společnost NVIDIA připravila na základě shromážděných dat hotové předtrénované modely pro systémy strojového učení (podporováno PyTorch). Modely jsou distribuovány v rámci bezplatného a otevřeného nástroje NVIDIA NeMo, který se například již používá v automatizovaných hlasových službách MTS a Sberbank. Modely jsou zaměřeny na využití v systémech rozpoznávání řeči, syntézy řeči a zpracování informací v přirozeném jazyce a mohou být užitečné pro výzkumníky zabývající se tvorbou hlasových dialogových systémů, platforem pro přepisování a automatizovaných call center. Na rozdíl od dříve dostupných projektů, zveřejněné modely nejsou omezeny na rozpoznávání anglického jazyka a pokrývají různé jazyky, akcenty a formy řeči.
Připomínáme, že projekt Common Voice je zaměřen na organizaci společné práce na akumulaci databáze hlasových vzorů, která zohledňuje veškerou rozmanitost hlasů a způsobů řeči. Uživatelům je nabízena možnost ozvučit na obrazovce zobrazené fráze nebo ohodnotit kvalitu dat, přidaných jinými uživateli. Akumulovanou databázi s nahrávkami různých výslovností typických frází lidské řeči bez omezení lze využít v systémech strojového učení a ve 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 hlasy žen, dětí a starších lidí), nedostatek variabilnosti slovní zásoby (opakování stejných frází) a distribuce nahrávek ve formátu MP3, který zkresluje zvuk.
Zdroj: opennet.ru
