Mozilla har opdateret Common Voice datasætene, som indeholder udtaleeksempler fra over 200.000 personer. Dataene er offentliggjort som offentligt domæne (CC0). De foreslåede datasæt kan bruges i maskinlæringssystemer til at bygge modeller for talegenkendelse og syntese. Sammenlignet med den sidste opdatering er mængden af talemateriale i samlingen steget fra 31,8 til 32,6 tusinde timer tale, hvoraf over 20.000 timer har gennemgået verificeringsprocessen. Antallet af understøttede sprog er steget fra 129 til 131.
I forberedelsen af materialer på engelsk deltog 93,9 tusinde personer, som dikterede 3587 timer tale (der var 93,3 tusinde deltagere og 3554 timer). Datasættet for hviderussisk dækker 8444 deltagere og 1846 timer talemateriale (der var 8400 deltagere og 1815 timer), for russisk er der 3296 deltagere og 278 timer (der var 3241 deltagere og 277 timer), for usbekisk 2200 deltagere og 265 timer (der var 2189 deltagere og 265 timer), og for ukrainsk er der 1104 deltagere og 114 timer (der var 1091 deltagere og 113 timer).
Common Voice-projektet har til formål at organisere samarbejde omkring opsamlingen af en database med stemmeskabeloner, der tager højde for al mangfoldighed af stemmer og talemønstre. Brugerne opfordres til at indtale de sætninger, der vises på skærmen, eller vurdere kvaliteten af de data, der er tilføjet af andre brugere. Den opsamlede database med optagelser af forskellige udtaler af typiske sætninger i menneskelig tale kan uden begrænsninger anvendes i maskinlæringssystemer og i forskningsprojekter.
Kilde: opennet.ru
