Mozilla har præsenteret en opdatering af Common Voice stævnesæt, der inkluderer udtaleeksempler fra omkring 200.000 mennesker. Dataene er offentliggjort som offentligt domæne (CC0). De foreslåede sæt kan bruges i maskinlæringssystemer til at bygge modeller for talegenkendelse og syntese. Sammenlignet med den tidligere opdatering er mængden af tale materiale i samlingen steget med 30% — fra 13,9 til 18,2 tusind timer tale. Antallet af understøttede sprog er steget fra 67 til 87.
Sættet for det russiske sprog omfatter 2.452 deltagere og 193 timer tale materiale (tidligere 2.136 deltagere og 173 timer), for det hvide russiske sprog — 6.160 deltagere og 987 timer (tidligere — 3.831 deltagere og 356 timer), for det ukrainske sprog — 684 deltagere og 76 timer (tidligere 615 deltagere og 66 timer). I forberedelsen af materialerne på engelsk deltog mere end 79.000 mennesker, der dikterede 2.886 timer bekræftet tale (tidligere 75.000 deltagere og 2.637 timer).
Vi minder om, at projektet Common Voice har til formål at organisere et samarbejde om at opbygge en base af stemmeskabeloner, der tager højde for al mangfoldighed af stemmer og talestile. Brugere tilbydes at udtale de sætninger, der vises på skærmen, eller vurdere kvaliteten af de data, der er tilføjet af andre brugere. Den indsamlede database med optagelser af forskellige udtaler af standardfraser i menneskelig tale kan uden begrænsninger bruges i maskinlæringssystemer og i forskningsprojekter. Ifølge forfatteren af biblioteket til genkendelse af sammenhængende tale, Vosk, er manglerne ved Common Voice-sættet ensidig stemmemateriale (overvægt af mænd i alderen 20-30 år og mangel på materialer med kvinders, børns og ældres stemmer), mangel på variabilitet i ordforrådet (gentagelse af de samme sætninger) og udbredelsen af optagelser i en forvridende MP3-format.
Desuden kan det nævnes, at NVIDIA har udgivet værktøjet NeMo 1.6, som tilbyder metoder til maskinlæring til udvikling af systemer til talegenkendelse, talesyntese og naturlig sprogbehandling. NeMo indeholder færdigtrænede modeller til maskinlæringssystemer baseret på PyTorch-rammeværket, udviklet af NVIDIA ved hjælp af taledata fra Common Voice og dækker forskellige sprog, accenter og taleformer. Modellerne kan være nyttige for forskere, der arbejder med at skabe stemmestyrede dialogsystemer, transkriptionsplatforme og automatiserede callcentre. For eksempel anvendes NVIDIA NeMo i automatiserede taletjenester fra MTS og Sberbank. NeMo-koden er skrevet i Python ved hjælp af PyTorch og distribueres under Apache 2.0-licensen.
Kilde: opennet.ru
