મોઝિલા કોમન વોઇસ 7.0 અપડેટ

NVIDIA અને Mozilla એ તેમના કોમન વોઈસ ડેટાસેટ્સ માટે અપડેટ બહાર પાડ્યું છે, જેમાં 182 લોકોના ભાષણના નમૂનાનો સમાવેશ થાય છે, જે 25 મહિના પહેલા કરતા 6% વધારે છે. ડેટા સાર્વજનિક ડોમેન (CC0) તરીકે પ્રકાશિત થાય છે. સૂચિત સેટનો ઉપયોગ વાણી ઓળખ અને સંશ્લેષણ મોડલ બનાવવા માટે મશીન લર્નિંગ સિસ્ટમમાં થઈ શકે છે.

અગાઉના અપડેટની તુલનામાં, સંગ્રહમાં ભાષણ સામગ્રીનું કદ 9 થી વધીને 13.9 હજાર કલાકના ભાષણ થયું છે. બેલારુસિયન, કઝાક, ઉઝબેક, બલ્ગેરિયન, આર્મેનિયન, અઝરબૈજાની અને બશ્કીર ભાષાઓ માટે પ્રથમ વખત સમર્થન સહિત, સમર્થિત ભાષાઓની સંખ્યા 60 થી વધીને 76 થઈ ગઈ છે. રશિયન ભાષા માટેના સેટમાં 2136 સહભાગીઓ અને 173 કલાકની ભાષણ સામગ્રી (ત્યાં 1412 સહભાગીઓ અને 111 કલાક હતા), અને યુક્રેનિયન ભાષા માટે - 615 સહભાગીઓ અને 66 કલાક (ત્યાં 459 સહભાગીઓ અને 30 કલાક હતા).

75 હજારથી વધુ લોકોએ અંગ્રેજીમાં સામગ્રીની તૈયારીમાં ભાગ લીધો, 2637 કલાકની પુષ્ટિ કરેલ ભાષણ (ત્યાં 66 હજાર સહભાગીઓ અને 1686 કલાક હતા). રસપ્રદ વાત એ છે કે, સંચિત ડેટાની માત્રાના સંદર્ભમાં બીજા સ્થાને રહેલી ભાષા રવાન્ડા છે, જેના માટે 2260 કલાક એકત્રિત કરવામાં આવ્યા છે. આ પછી જર્મન (1040), કતલાન (920) અને એસ્પેરાન્ટો (840) આવે છે. વૉઇસ ડેટાના કદમાં સૌથી વધુ ગતિશીલ રીતે વધારો થાઈ ભાષા (બેઝમાં 20 ગણો વધારો, 12 થી 250 કલાક સુધી), લુગાન્ડા (8 થી 80 કલાક સુધી), એસ્પેરાન્ટો (100 થી 840 કલાક સુધી) અને તમિલ ( 24 થી 220 કલાક સુધી). કલાક).

કોમન વોઈસ પ્રોજેક્ટમાં તેની સહભાગિતાના ભાગ રૂપે, NVIDIA એ એકત્રિત ડેટાના આધારે મશીન લર્નિંગ સિસ્ટમ્સ (PyTorch દ્વારા સપોર્ટેડ) માટે તૈયાર પ્રશિક્ષિત મોડલ્સ તૈયાર કર્યા. મોડેલો મફત અને ખુલ્લી NVIDIA NeMo ટૂલકીટના ભાગ રૂપે વિતરિત કરવામાં આવે છે, જે, ઉદાહરણ તરીકે, MTS અને Sberbank ની સ્વચાલિત વૉઇસ સેવાઓમાં પહેલેથી જ ઉપયોગમાં લેવાય છે. મૉડલ વાણી ઓળખ, વાણી સંશ્લેષણ અને કુદરતી ભાષા પ્રક્રિયા પ્રણાલીઓમાં ઉપયોગ માટે બનાવાયેલ છે અને અવાજ-સક્રિય સંવાદ સિસ્ટમો, ટ્રાન્સક્રિપ્શન પ્લેટફોર્મ્સ અને સ્વચાલિત કૉલ સેન્ટરો બનાવતા સંશોધકો માટે ઉપયોગી થઈ શકે છે. અગાઉ ઉપલબ્ધ પ્રોજેક્ટ્સથી વિપરીત, પ્રકાશિત મોડલ અંગ્રેજી ભાષાની ઓળખ માટે મર્યાદિત નથી અને વિવિધ ભાષાઓ, ઉચ્ચારો અને ભાષણના સ્વરૂપોને આવરી લે છે.

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.

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