Mozilla Common Voice häälte andmete värskendus 8.0

Mozilla esitas uuendatud Common Voice hääldata kogu, mis sisaldab hääldusnäite umbes 200 000 inimeselt. Andmed on avaldatud avaliku domeenina (CC0). Pakutavat kogumit saab kasutada masinõppe süsteemides kõnetuvastuse ja kõne sünteesi mudelite loomiseks. Võrreldes eelmise uuendusega on kõnematerjali maht kogus kasvanud 30% — 13,9 tuhandelt 18,2 tuhandeni. Toetatud keelte arv on kasvanud 67-lt 87-le.

Venekeelne kogu hõlmab 2452 osalejat ja 193 tunni jagu kõnematerjali (oli 2136 osalejat ja 173 tundi), valgevenekeelne kogu — 6160 osalejat ja 987 tundi (oli — 3831 osalejat ja 356 tundi), ukraina keeles — 684 osalejat ja 76 tundi (oli 615 osalejat ja 66 tundi). Inglise keele materjalide ettevalmistamisel osales üle 79 000 inimese, kes dikteerisid 2886 tunni kinnitatud kõnet (oli 75 000 osalejat ja 2637 tundi).

Tuletame meelde, et Common Voice projekt on suunatud koostöörikkuse säilitamisele häälemehhanismide kogumisel, millel arvestatakse hääle ja kõneviiside mitmekesisust. Kasutajatele pakutakse ekraanil kuvatud fraaside hääldamist või andmete kvaliteedi hindamist, mille on lisanud teised kasutajad. Kogunenud andmebaasi erinevate hääldustega inimkõne fraaside salvestuste jaoks saab piiramatu arvu kasutada masinõppe süsteemides ja teadusprojektides. Vosk-resistentsussüsteemi autor arvab, et Common Voice kogumi miinusteks on häälematerjali ühekülgsus (enamik osalejatest on 20-30-aastased mehed ja naiste, laste ja vanemate inimeste häältest on puudu), sõnavara varieerimise puudumine (samade fraaside kordamine) ja salvestuste levimus moonutatud MP3 formaadis.

Saab tuuakse välja NVIDIA NeMo 1.6 tööriistakomplekt, mis pakub masinõppe meetodeid kõnesüsteemide, kõnesünteesi ja looduskeele töötlemise loomise jaoks. NeMo sisaldab valmis treenitud mudeleid masinõppe süsteemide jaoks PyTorchi raamistiku alusel, mis on ette valmistatud NVIDIA poolt, kasutades Common Voice kõnedata, mis katab erinevaid keeli, aktsente ja kõnevorme. Mudelid võivad olla kasulikud teadlastele, kes töötavad hääldusdialooge loovate süsteemide, transkriptsiooniplatformide ja automatiseeritud kõnekeskuste kallal. Näiteks kasutatakse NVIDIA NeMo automatiseeritud häälteenustes MTS-is ja Sberbankis. NeMo kood on kirjutatud Pythonis, kasutades PyTorchi ja sellel on Apache 2.0 litsents.

Allikas: opennet.ru