NVIDIA ak Mozilla te pibliye yon aktyalizasyon nan seri done Common Voice yo, ki gen ladan 182 echantiyon lapawòl moun, yon ogmantasyon de 25% pase 6 mwa de sa. Done yo pibliye kòm domèn piblik (CC0). Ansanm yo pwopoze yo ka itilize nan sistèm aprantisaj machin pou konstwi rekonesans lapawòl ak modèl sentèz.
Konpare ak aktyalizasyon anvan an, gwosè a nan materyèl la diskou nan koleksyon an te ogmante soti nan 9 a 13.9 mil èdtan nan diskou. Nimewo a nan lang sipòte ogmante soti nan 60 a 76, ki gen ladan pou premye fwa sipò pou Belarisyen, Kazakh, Uzbek, Bulgarian, Amenyen, Azerbaydjan ak Bashkir lang. Ansanm pou lang Ris la kouvri 2136 patisipan yo ak 173 èdtan nan materyèl lapawòl (te gen 1412 patisipan yo ak 111 èdtan), ak pou lang Ukrainian a - 615 patisipan yo ak 66 èdtan (te gen 459 patisipan yo ak 30 èdtan).
Plis pase 75 mil moun te patisipe nan preparasyon materyèl nan lang angle, dikte 2637 èdtan nan diskou konfime (te gen 66 mil patisipan ak 1686 èdtan). Enteresan, lang nan dezyèm plas an tèm de kantite done akimile se Rwanda, pou ki 2260 èdtan yo te kolekte. Apre sa, Alman (1040), Catalan (920) ak Esperanto (840). Pami ki pi dinamik ogmante gwosè a nan done vwa yo se lang Thai (ogmantasyon 20 fwa nan baz la, soti nan 12 a 250 èdtan), Luganda (soti nan 8 a 80 èdtan), Esperanto (soti nan 100 a 840 èdtan) ak Tamil (. soti nan 24 a 220 èdtan). èdtan).
Kòm yon pati nan patisipasyon li nan pwojè Common Voice, NVIDIA te prepare modèl ki prepare pou sistèm aprantisaj machin (sipòte pa PyTorch) ki baze sou done yo kolekte. Modèl yo distribye kòm yon pati nan bwat zouti NVIDIA NeMo gratis epi ouvè, ki, pou egzanp, deja itilize nan sèvis vwa otomatik MTS ak Sberbank. Modèl yo fèt pou itilize nan rekonesans lapawòl, sentèz lapawòl, ak sistèm pwosesis langaj natirèl, epi yo ka itil pou chèchè yo bati sistèm dyalòg aktive vwa, platfòm transcription, ak sant apèl otomatik. Kontrèman ak pwojè ki te disponib deja, modèl yo pibliye yo pa limite a rekonesans lang angle epi yo kouvri yon varyete lang, aksan ak fòm lapawòl.
Ann raple w ke pwojè Common Voice la vize òganize travay ansanm pou akimile yon baz done modèl vwa ki pran an kont divèsite vwa ak estil lapawòl. Itilizatè yo envite pou vwa fraz ki parèt sou ekran an oswa evalye kalite done lòt itilizatè yo ajoute. Ka baz done a akimile ak dosye sou pwononsyasyon divès kalite fraz tipik nan lapawòl moun ka itilize san restriksyon nan sistèm aprantisaj machin ak nan pwojè rechèch.
Dapre otè a nan bibliyotèk la Vosk kontinyèl rekonesans lapawòl, dezavantaj yo nan seri a vwa komen yo se yon sèl-sidedness nan materyèl la vwa (dominans nan moun gason 20-30 ane fin vye granmoun, ak mank de materyèl ak vwa yo nan fanm yo). , timoun ak granmoun aje), mank de varyab nan diksyonè a (repetisyon nan fraz yo menm) ak distribisyon an nan anrejistreman nan fòma MP3 ki defòme.
Sous: opennet.ru