NVIDIA ने मोज़िला कॉमन वॉयस प्रोजेक्ट में $1.5 मिलियन का निवेश किया है

NVIDIA मोज़िला कॉमन वॉयस प्रोजेक्ट में $1.5 मिलियन का निवेश कर रहा है। वाक् पहचान प्रणालियों में रुचि इस भविष्यवाणी से उपजी है कि अगले दस वर्षों में, ध्वनि प्रौद्योगिकी लोगों द्वारा कंप्यूटर और फोन से लेकर डिजिटल सहायकों और कियोस्क तक उपकरणों के साथ बातचीत करने के मुख्य तरीकों में से एक बन जाएगी।

वॉयस सिस्टम का प्रदर्शन मशीन लर्निंग मॉडल के प्रशिक्षण के लिए उपलब्ध वॉयस डेटा की मात्रा और विविधता पर अत्यधिक निर्भर है। आज की वॉयस तकनीक मुख्य रूप से अंग्रेजी भाषा की पहचान पर केंद्रित है और इसमें भाषाओं, उच्चारण और भाषण पैटर्न की विशाल श्रृंखला शामिल नहीं है। निवेश से सार्वजनिक वॉयस डेटा के विकास में तेजी लाने, अधिक समुदायों और स्वयंसेवकों को शामिल करने और पूर्णकालिक परियोजना कर्मचारियों की संख्या का विस्तार करने में मदद मिलेगी।

हम आपको याद दिला दें कि कॉमन वॉयस परियोजना का उद्देश्य आवाज पैटर्न के एक डेटाबेस को जमा करने के लिए संयुक्त कार्य का आयोजन करना है जो आवाजों और भाषण शैलियों की विविधता को ध्यान में रखता है। उपयोगकर्ताओं को स्क्रीन पर प्रदर्शित ध्वनि वाक्यांशों के लिए आमंत्रित किया जाता है या अन्य उपयोगकर्ताओं द्वारा जोड़े गए डेटा की गुणवत्ता का मूल्यांकन किया जाता है। मानव भाषण के विशिष्ट वाक्यांशों के विभिन्न उच्चारणों के रिकॉर्ड के साथ संचित डेटाबेस का उपयोग मशीन लर्निंग सिस्टम और अनुसंधान परियोजनाओं में प्रतिबंध के बिना किया जा सकता है।

कॉमन वॉयस सेट में वर्तमान में 164 से अधिक लोगों के उच्चारण उदाहरण शामिल हैं। 9 अलग-अलग भाषाओं में लगभग 60 हजार घंटे का वॉयस डेटा जमा किया गया है। रूसी भाषा के सेट में 1412 प्रतिभागी और 111 घंटे की भाषण सामग्री शामिल है, और यूक्रेनी भाषा के लिए - 459 प्रतिभागी और 30 घंटे शामिल हैं। तुलना के लिए, अंग्रेजी में सामग्री तैयार करने में 66 हजार से अधिक लोगों ने भाग लिया और 1686 घंटे का सत्यापित भाषण सुनाया। प्रस्तावित सेट का उपयोग वाक् पहचान और संश्लेषण मॉडल बनाने के लिए मशीन लर्निंग सिस्टम में किया जा सकता है। डेटा को सार्वजनिक डोमेन (CC0) के रूप में प्रकाशित किया जाता है।

वोस्क निरंतर वाक् पहचान लाइब्रेरी के लेखक के अनुसार, कॉमन वॉयस सेट के नुकसान आवाज सामग्री की एकतरफाता (20-30 वर्ष के पुरुष लोगों की प्रबलता, और महिलाओं की आवाज के साथ सामग्री की कमी) हैं , बच्चे और बुजुर्ग), शब्दकोश में परिवर्तनशीलता की कमी (समान वाक्यांशों की पुनरावृत्ति) और विकृत एमपी3 प्रारूप में रिकॉर्डिंग का वितरण।

स्रोत: opennet.ru