Mozilla Common Voice 7.0 hääldusandmete uuendus

Ettevõtted NVIDIA ja Mozilla esitlesid Common Voice'i algatuse raames kogutud hääldusandmete komplektide uuendust, mis sisaldab 182 000 inimese hääldusnäite, see on 25% rohkem kui 6 kuud tagasi. Andmed on avalikult kättesaadavad (CC0). Pakutavaid komplekte saab kasutada masinõppe süsteemides kõnetuvastuse ja -süntesi mudelite rajamiseks.

Võrreldes eelmise uuendusega kasvas kõnematerjali maht kogus 9-lt 13,9 tuhandeni tunni häält. Toetatavate keelte arv kasvas 60-lt 76-le, sealhulgas esmakordselt lisandus valgevene, kasahhi, usbeki, bulgaaria, armeenia, aserbaidžaani ja baškiiri keeled. Vene keele komplekt katab 2136 osalejat ja 173 tundi kõnematerjali (oli 1412 osalejat ja 111 tundi), ning ukraina keele osas 615 osalejat ja 66 tundi (oli 459 osalejat ja 30 tundi).

Inglise keeles materjalide ettevalmistamises osales üle 75 000 inimese, kes dikteerisid 2637 tundi kinnitatud kõnet (oli 66 000 osalejat ja 1686 tundi). Huvitav, et teisel kohal andmemahtude poolest on ruanda keel, millel on kogutud 2260 tundi. Järgmistena on saksa (1040), katalaani (920) ja esperanto (840). Kõneandmete kiiresti kasvavate keelte seas mainitakse tai keelt (andmemaht kasvas 20 korda, 12-tunnilt 250 tunnile), luganda (8-lt 80 tunnile), esperanto (100-lt 840 tunnile) ja tamili keelt (24-lt 220 tunnile).

Oma panuse raames projektis Common Voice on ettevõte NVIDIA koostanud koolitatud mudelid, mis on loodud kogutud andmete põhjal masinõppe süsteemide jaoks (toetab PyTorch). Mudelid levitatakse tasuta ja avatud tööriistade komplektis NVIDIA NeMo, mida kasutatakse näiteks MTS ja Sberbanki automatiseeritud kõneservises. Mudelid on suunatud kõnetuvastuse, kõnesünteesi ja loomuliku keele töötlemise süsteemide kasutamiseks ning need võivad olla kasulikud teadlastele, kes tegelevad hääldusdialoogisüsteemide, transkribeerimisplatvormide ja automatiseeritud kõnekeskuste loomisega. Erinevalt varasemalt kergesti kättesaadavatest projektidest ei piira avaldatud mudelid ennast inglise keele tuvastamisega, vaid hõlmavad erinevaid keeli, aktsente ja kõnevorme.

Tuletame meelde, et projekt Common Voice keskendub koostöö korraldamisele häälte mallide kogumiseks, arvestades kõigi häälte ja kõnemaneeride mitmekesisust. Kasutajatele pakutakse võimalust hääldada ekraanile kuvatavaid lauseid või hinnata teiste kasutajate lisatud andmete kvaliteeti. Kogutud andmebaasi, kus on erineva hääldusega tüüpiliste lausete salvestused, saab piiramata kasutada masinõppe süsteemides ja teadusprojektides.

Vosk kõnetuvastuse raamatukogu autori sõnul on Common Voice'i andmekogumi puuduseks ühekülgsus häälte materjalis (enamuses on mehed vanuses 20-30 aastat ja puuduvad naiste, laste ja vanurite häälte materjalid), sõnavara variatiivsuse puudumine (korduvad samad fraasid) ja salvestuste levitamine moonutatud MP3 formaadis.

Allikas: opennet.ru