Die Unternehmen NVIDIA und Mozilla haben ein Update der Sprachdatensätze vorgestellt, die im Rahmen der Initiative Common Voice gesammelt wurden und Beispiele für die Aussprache von 182.000 Personen enthalten – ein Anstieg von 25 % im Vergleich zu vor 6 Monaten. Die Daten werden als Gemeingut (CC0) veröffentlicht. Die vorgeschlagenen Datensätze können in maschinellen Lernsystemen zur Modellierung von Sprach- und Textsynthese verwendet werden.
Im Vergleich zum vorherigen Update hat sich das Volumen des Sprachmaterials in der Sammlung von 9 auf 13,9 Tausend Stunden erhöht. Die Anzahl der unterstützten Sprachen ist von 60 auf 76 gestiegen, darunter erstmals auch Unterstützung für Weißrussisch, Kasachisch, Usbekisch, Bulgarisch, Armenisch, Aserbaidschanisch und Baschkirisch. Das Russisch-Dataset umfasst 2136 Teilnehmer und 173 Stunden Sprachmaterial (vorher 1412 Teilnehmer und 111 Stunden), während für die ukrainische Sprache 615 Teilnehmer und 66 Stunden bereitgestellt werden (vorher 459 Teilnehmer und 30 Stunden).
Über 75.000 Personen haben bei der Erstellung von Materialien in englischer Sprache mitgewirkt und insgesamt 2.637 Stunden bestätigter Sprache aufgezeichnet (zuvor waren es 66.000 Teilnehmer und 1.686 Stunden). Interessanterweise liegt der Kinyarwanda auf dem zweiten Platz bezüglich des gesammelten Datenvolumens; hierbei wurden 2.260 Stunden zusammengetragen. Darauf folgen Deutsch (1.040), Katalanisch (920) und Esperanto (840). Die am dynamischsten wachsenden Sprachdaten stammen aus dem Thailändischen (Datenbasis-Wachstum um das 20-fache, von 12 auf 250 Stunden), Luganda (von 8 auf 80 Stunden), Esperanto (von 100 auf 840 Stunden) und Tamil (von 24 auf 220 Stunden).
Im Rahmen ihres Engagements im Projekt Common Voice hat NVIDIA auf Grundlage der gesammelten Daten vortrainierte Modelle für maschinelles Lernen (unterstützt von PyTorch) entwickelt. Die Modelle werden im Rahmen des kostenlosen und offenen NVIDIA NeMo-Tools bereitgestellt, das beispielsweise bereits in den automatisierten Sprachdiensten von MTS und Sberbank eingesetzt wird. Diese Modelle sind für den Einsatz in Spracherkennungssystemen, Sprachsynthese und der Verarbeitung natürlicher Sprache ausgelegt und könnten für Forscher, die an der Entwicklung von Sprachdialogsystemen, Transkriptionsplattformen und automatisierten Callcentern arbeiten, von Nutzen sein. Im Gegensatz zu früheren Projekten sind die veröffentlichten Modelle nicht auf die Erkennung der englischen Sprache beschränkt, sondern decken verschiedene Sprachen, Akzente und Sprachformen ab.
Wir erinnern daran, dass das Projekt Common Voice darauf abzielt, die gemeinsame Arbeit an der Sammlung einer Datenbank von Sprachmustern zu organisieren, die die gesamte Vielfalt der Stimmen und Sprechstile berücksichtigt. Den Nutzern wird angeboten, die angezeigten Sätze einzusprechen oder die Qualität der von anderen Nutzern hinzugefügten Daten zu bewerten. Die gesammelte Datenbank mit Aufnahmen verschiedener Aussprache typischer menschlicher Sätze kann ohne Einschränkungen in maschinellen Lernsystemen und Forschungsprojekten verwendet werden.
Nach Meinung des Autors der Spracherkennungsbibliothek Vosk sind die Nachteile des Sets Common Voice eine einseitige Sprachmaterialien (Übergewicht männlicher Stimmen im Alter von 20-30 Jahren und Mangel an Material mit Stimmen von Frauen, Kindern und älteren Menschen), fehlende Variabilität des Wortschatzes (Wiederholung der gleichen Sätze) und die Verbreitung der Aufnahmen im verzerrenden MP3-Format.
Quelle: opennet.ru
