Mozilla har opdateret datasættene til Common Voice, som indeholder udtaleeksempler fra over 200.000 personer. Dataene er offentliggjort som offentligt domæne (CC0). De foreslåede datasæt kan anvendes i maskinlæringssystemer til at opbygge modeller til talegenkendelse og talesyntese. I forhold til den sidste opdatering er mængden af tale i samlingen steget fra 28,7 til 30,3 tusind timer, hvoraf 19,7 tusind timer har gennemgået valideringsproceduren. Antallet af understøttede sprog er steget fra 114 til 120 (yiddish, latgalisk, ligurisk, ossetisk, telugu og vest-sierra-pueblo-nahuatl er tilføjet).
I forberedelsen af materialerne på engelsk deltog 90.670 personer, der dikterede 3.438 timer tale (der var 88.900 deltagere og 3.347 timer). Datasættet for det hvide russiske sprog omfatter 8.249 deltagere og 1.641 timers talemateriale (der var 8.205 deltagere og 1.632 timer), for russisk sprog — 3.133 deltagere og 265 timer (der var 3.053 deltagere og 260 timer), for usbekisk — 2.151 deltagere og 264 timer (der var 2.141 deltagere og 263 timer), for ukrainsk sprog — 1.058 deltagere og 108 timer (der var 1.024 deltagere og 105 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
