A Mozilla frissítette a Common Voice hangadat-sorozatokat, amelyek több mint 200 ezer ember kiejtési példáit tartalmazzák. Az adatok közkincsként (CC0) kerültek közzétételre. A javasolt adatcsomagok használhatók gépi tanulási rendszerekben a beszédfelismerés és -sintézis modellek építésére.
A legutóbbi frissítéssel összehasonlítva a beszédanyag mennyisége a gyűjteményben 23,8 ezerről 25,8 ezer órára nőtt. Az angol nyelvű anyagok előkészítésében több mint 88 ezer ember vett részt, összesen 3161 óra beszédet rögzítve (korábban 84 ezer résztvevő és 3098 óra). A belorusz nyelvű csomag 7903 résztvevőt és 1419 óra hanganyagot fed le (korábban 6965 résztvevő és 1217 óra), az orosz nyelvű 2815 résztvevőt és 229 órát (korábban 2731 résztvevő és 215 óra), az üzbég 2092 résztvevőt és 262 órát (korábban 2025 résztvevő és 258 óra), míg az ukrán nyelvű 780 résztvevőt és 87 órát tartalmaz (korábban 759 résztvevő és 87 óra).
A Common Voice projekt célja egy közös munkafolyamat kidolgozása, amely a hangmintázatok adatbázisának felhalmozására irányul, figyelembe véve a hangok és a beszédstílusok sokféleségét. A felhasználók javasolt kijelentéseket mondanak el, vagy értékelik a más felhasználók által hozzáadott adatok minőségét. Az összegyűlt adatbázis a különböző kiejtésmódú normál mondatok rögzítéseivel korlátozások nélkül használható gépi tanulási rendszerekben és kutatási projektekben.
Forrás: opennet.ru
