Die Firma Mozilla hat ein Update der Common Voice-Sprachdatensätze vorgestellt, das Sprachbeispiele von etwa 200.000 Personen enthält. Die Daten wurden als Gemeingut (CC0) veröffentlicht. Die angebotenen Datensätze können in maschinellen Lernsystemen verwendet werden, um Modelle zur Spracherkennung und Sprachsynthese zu erstellen.
Im Vergleich zum vorherigen Update hat sich das Volumen des Sprachmaterials in der Sammlung um 10 % erhöht – von 18,2 auf 20,2 Tausend Stunden Sprache. Die Anzahl der unterstützten Sprachen ist von 87 auf 93 gestiegen. Für 27 Sprachen wurden mehr als 100 Stunden Sprachdaten gesammelt, und für 9 Sprachen sind es mehr als 500 Stunden. Bei 9 Sprachen wurde auch ein Anteil an weiblicher Sprache von mindestens 45 % erreicht.
An den Materialien in englischer Sprache haben über 81.000 Personen mitgewirkt, die 2.953 Stunden Sprache aufgenommen haben (zuvor waren es 79.000 Teilnehmer und 2.886 Stunden). Der Korpus für die belarussische Sprache umfasst 6.326 Teilnehmer und 1.054 Stunden Sprachmaterial (zuvor waren es 6.160 Teilnehmer und 987 Stunden), für die russische Sprache 2.585 Teilnehmer und 201 Stunden (zuvor 2.452 Teilnehmer und 193 Stunden), für die usbekische Sprache 1.503 Teilnehmer und 231 Stunden (zuvor 1.355 Teilnehmer und 227 Stunden), und für die ukrainische Sprache 696 Teilnehmer und 79 Stunden (zuvor 684 Teilnehmer und 76 Stunden).
Das Common Voice-Projekt zielt darauf ab, die Zusammenarbeit zur Erstellung einer Datenbank von Sprachmustern zu organisieren, die die gesamte Vielfalt von Stimmen und Sprechstilen berücksichtigt. Nutzer können die auf dem Bildschirm angezeigten Sätze vertonen oder die Qualität von Daten bewerten, die von anderen Nutzern hinzugefügt wurden. Die gesammelte Datenbank mit Aufnahmen verschiedener Aussprachen typischer menschlicher Sprache kann ohne Einschränkungen in Systemen des maschinellen Lernens und in Forschungsprojekten verwendet werden.
Quelle: opennet.ru
