{"id":103143,"date":"2022-01-31T09:36:50","date_gmt":"2022-01-31T07:36:50","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/obnovlenie-golosovyh-dannyh-mozilla-common-voice-8-0"},"modified":"2022-01-31T09:36:50","modified_gmt":"2022-01-31T07:36:50","slug":"obnovlenie-golosovyh-dannyh-mozilla-common-voice-8-0","status":"publish","type":"post","link":"https:\/\/prohoster.info\/de\/blog\/news\/obnovlenie-golosovyh-dannyh-mozilla-common-voice-8-0","title":{"rendered":"Update der Sprachdaten von Mozilla Common Voice 8.0","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Die Mozilla Corporation hat ein Update der Common Voice Sprachdatens\u00e4tze ver\u00f6ffentlicht, das Aussprachebeispiele von etwa 200.000 Personen umfasst. Die Daten wurden als Gemeinfreiheit (CC0) ver\u00f6ffentlicht. Die angebotenen Datens\u00e4tze k\u00f6nnen in maschinellen Lernsystemen zur Erstellung von Sprach- und Sprachsynthesemodellen verwendet werden. Im Vergleich zum vorherigen Update ist das Volumen des Sprachmaterials in der Sammlung um 30 % gestiegen \u2013 von 13,9 auf 18,2 Tausend Stunden Sprache. Die Anzahl der unterst\u00fctzten Sprachen ist von 67 auf 87 gestiegen. <\/p>\n
Das Set f\u00fcr die russische Sprache umfasst 2452 Teilnehmer und 193 Stunden Sprachmaterial (zuvor 2136 Teilnehmer und 173 Stunden), f\u00fcr die belarussische Sprache \u2013 6160 Teilnehmer und 987 Stunden (zuvor 3831 Teilnehmer und 356 Stunden), f\u00fcr die ukrainische Sprache \u2013 684 Teilnehmer und 76 Stunden (zuvor 615 Teilnehmer und 66 Stunden). An der Erstellung der Materialien in englischer Sprache haben mehr als 79.000 Personen teilgenommen, die 2886 Stunden best\u00e4tigter Sprache aufgezeichnet haben (zuvor 75.000 Teilnehmer und 2637 Stunden). <\/p>\n
Wir erinnern daran, dass das Projekt Common Voice darauf abzielt, die gemeinsame Arbeit zur Ansammlung einer Datenbasis von Sprachmustern zu organisieren, die die gesamte Vielfalt der Stimmen und Sprechstile ber\u00fccksichtigt. Den Nutzern wird angeboten, die auf dem Bildschirm dargestellten Phrasen zu sprechen oder die Qualit\u00e4t der von anderen Nutzern hinzugef\u00fcgten Daten zu bewerten. Die gesammelte Datenbank mit Aufnahmen verschiedener Aussprachen g\u00e4ngiger Phrasen menschlicher Sprache kann ohne Einschr\u00e4nkungen in maschinellen Lernsystemen und in Forschungsprojekten verwendet werden. Nach Meinung des Autors der Spracherkennungsbibliothek Vosk bestehen die Nachteile des Common Voice Satzes in der einseitigen Vertretung des Sprachmaterials (\u00dcbergewicht m\u00e4nnlicher Stimmen im Alter von 20 bis 30 Jahren und Mangel an Materialien mit Stimmen von Frauen, Kindern und \u00e4lteren Menschen), dem Fehlen von Variabilit\u00e4t im Wortschatz (Wiederholung der gleichen Phrasen) und der Verbreitung von Aufnahmen im st\u00f6ranf\u00e4lligen MP3-Format. <\/p>\n
Zus\u00e4tzlich kann die Ver\u00f6ffentlichung des NVIDIA NeMo 1.6-Werkzeugs erw\u00e4hnt werden, das Methoden des maschinellen Lernens zur Erstellung von Sprach- und Informationsverarbeitungssystemen in nat\u00fcrlicher Sprache bereitstellt. NeMo umfasst vortrainierte Modelle f\u00fcr maschinelles Lernen basierend auf dem PyTorch-Framework, die von NVIDIA mit Hilfe von Sprachdaten aus Common Voice erstellt wurden und verschiedene Sprachen, Akzente und Sprachformen abdecken. Diese Modelle k\u00f6nnen f\u00fcr Forscher n\u00fctzlich sein, die Sprachdialogsysteme, Transkriptionsplattformen und automatisierte Callcenter entwickeln. Zum Beispiel wird NVIDIA NeMo in den automatisierten Sprachdiensten von MTS und Sberbank eingesetzt. Der NeMo-Code ist in Python unter Verwendung von PyTorch geschrieben und steht unter der Lizenz Apache 2.0. \n Quelle: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"