NVIDIA મોઝિલા કોમન વોઇસ પ્રોજેક્ટમાં $1.5 મિલિયનનું રોકાણ કરે છે

NVIDIA મોઝિલા કોમન વોઇસ પ્રોજેક્ટમાં $1.5 મિલિયનનું રોકાણ કરી રહ્યું છે. સ્પીચ રેકગ્નિશન સિસ્ટમ્સમાં રુચિ એ આગાહીથી ઉદ્ભવે છે કે આગામી દસ વર્ષોમાં, વૉઇસ ટેક્નોલોજી લોકો કમ્પ્યુટર અને ફોનથી લઈને ડિજિટલ સહાયકો અને કિઓસ્ક સુધીના ઉપકરણો સાથે ક્રિયાપ્રતિક્રિયા કરવાની મુખ્ય રીતોમાંની એક બની જશે.

વૉઇસ સિસ્ટમ્સનું પ્રદર્શન મશીન લર્નિંગ મોડલ્સને તાલીમ આપવા માટે ઉપલબ્ધ વૉઇસ ડેટાના વોલ્યુમ અને વિવિધતા પર ખૂબ નિર્ભર છે. આજની વૉઇસ ટેક્નૉલૉજી મુખ્યત્વે અંગ્રેજી ભાષાની ઓળખ પર ધ્યાન કેન્દ્રિત કરે છે અને તે ભાષાઓ, ઉચ્ચારો અને ભાષણ પેટર્નની વિશાળ શ્રેણીને આવરી લેતી નથી. રોકાણ જાહેર વૉઇસ ડેટાના વિકાસને વેગ આપવા, વધુ સમુદાયો અને સ્વયંસેવકોને જોડવામાં અને પૂર્ણ-સમયના પ્રોજેક્ટ સ્ટાફની સંખ્યાને વિસ્તૃત કરવામાં મદદ કરશે.

અમે તમને યાદ અપાવી દઈએ કે કોમન વોઈસ પ્રોજેક્ટનો ઉદ્દેશ્ય વૉઇસ પેટર્નના ડેટાબેઝને એકઠા કરવા માટે સંયુક્ત કાર્યનું આયોજન કરવાનો છે જે અવાજો અને વાણીની શૈલીની વિવિધતાને ધ્યાનમાં લે છે. વપરાશકર્તાઓને સ્ક્રીન પર પ્રદર્શિત વૉઇસ શબ્દસમૂહો અથવા અન્ય વપરાશકર્તાઓ દ્વારા ઉમેરાયેલા ડેટાની ગુણવત્તાનું મૂલ્યાંકન કરવા માટે આમંત્રિત કરવામાં આવે છે. માનવ વાણીના લાક્ષણિક શબ્દસમૂહોના વિવિધ ઉચ્ચારોના રેકોર્ડ સાથેનો સંચિત ડેટાબેઝ મશીન લર્નિંગ સિસ્ટમ્સ અને સંશોધન પ્રોજેક્ટ્સમાં પ્રતિબંધ વિના ઉપયોગ કરી શકાય છે.

કોમન વૉઇસ સેટમાં હાલમાં 164 થી વધુ લોકોના ઉચ્ચાર ઉદાહરણો શામેલ છે. 9 અલગ-અલગ ભાષાઓમાં લગભગ 60 હજાર કલાકનો વૉઇસ ડેટા એકઠો કરવામાં આવ્યો છે. રશિયન ભાષા માટેના સેટમાં 1412 સહભાગીઓ અને 111 કલાકની ભાષણ સામગ્રી, અને યુક્રેનિયન ભાષા માટે - 459 સહભાગીઓ અને 30 કલાકનો સમાવેશ થાય છે. સરખામણી માટે, 66 હજારથી વધુ લોકોએ અંગ્રેજીમાં સામગ્રીની તૈયારીમાં ભાગ લીધો હતો, જેમાં 1686 કલાકની ચકાસાયેલ ભાષણ લખવામાં આવ્યું હતું. સૂચિત સેટનો ઉપયોગ વાણી ઓળખ અને સંશ્લેષણ મોડલ બનાવવા માટે મશીન લર્નિંગ સિસ્ટમમાં થઈ શકે છે. ડેટા સાર્વજનિક ડોમેન (CC0) તરીકે પ્રકાશિત થાય છે.

વોસ્ક સતત સ્પીચ રેકગ્નિશન લાઇબ્રેરીના લેખકના મતે, કોમન વૉઇસ સેટના ગેરફાયદા એ વૉઇસ મટિરિયલની એકતરફી છે (20-30 વર્ષની વયના પુરૂષોનું વર્ચસ્વ અને સ્ત્રીઓના અવાજો સાથે સામગ્રીનો અભાવ. , બાળકો અને વૃદ્ધો), શબ્દકોશમાં પરિવર્તનક્ષમતાનો અભાવ (સમાન શબ્દસમૂહોનું પુનરાવર્તન) અને વિકૃત MP3 ફોર્મેટમાં રેકોર્ડિંગ્સનું વિતરણ.

સોર્સ: opennet.ru