A Mozilla frissítette a Common Voice hangadatokat, amelyek több mint 200 ezer ember kiejtési példáit tartalmazzák. Az adatok közszolgáltatásként kerültek nyilvánosságra (CC0). Az ajánlott készletek a gépi tanulási rendszerekben használhatók beszédfelismerés és -sintézis modellek kialakítására. Az előző frissítéshez képest a gyűjteményben található beszédanyag terjedelme 32,6 ezer óráról 33,1 ezer órára nőtt, amelyből 22,1 ezer óra ellenőrzésen ment át. A támogatott nyelvek száma 129-ről 133-ra emelkedett — újonnan hozzáadott nyelvek az aragón, isindebele, dél-szoto és tupuri.
Az angol nyelvű anyagok előkészítésében 94,9 ezer ember vett részt, akik 3631 óra beszédet rögzítettek (ez korábban 93,9 ezer résztvevőt és 3587 órát jelentett). A belorusz nyelvi készlet 8521 résztvevőt és 1860 órányi beszédanyagot fed le (korábban 8444 résztvevő és 1846 óra), az orosz nyelv esetében 3365 résztvevő és 281 óra (korábban 3296 résztvevő és 278 óra), az üzbég esetében 2211 résztvevő és 265 óra (korábban 2200 résztvevő és 265 óra), az ukrán nyelv pedig 1120 résztvevő és 114 óra (korábban 1104 résztvevő és 114 óra).
A Common Voice projekt közös munkát szervez a hangminták adatbázisának felhalmozására, figyelembe véve a hangok és beszédstílusok sokféleségét. A felhasználók felajánlják, hogy elmondanak a képernyőn megjelenő mondatokat, vagy értékelik más felhasználók által hozzáadott adatok minőségét. Az így összegyűjtött adatbázis, amely különböző kiejtések rögzítéseit tartalmazza, korlátlanul felhasználható a gépi tanulási rendszerekben és kutatási projektekben.
Forrás: opennet.ru
