Az NVIDIA és a Mozilla bemutatta a Common Voice kezdeményezés keretében összegyűjtött hangadatkészletek frissítését, amely 182 ezer ember kiejtési példáit tartalmazza, ami 25%-kal több, mint hat hónappal ezelőtt. Az adatok nyilvános birtokként (CC0) lettek közzétéve. A javasolt készletek gépi tanulási rendszerekben használhatók a beszédfelismerés és -szintézis modellek létrehozásához.
A legutóbbi frissítéshez képest a beszédanyag mennyisége a gyűjteményben 9-ről 13,9 ezer órára nőtt. A támogatott nyelvek száma 60-ról 76-ra emelkedett, beleértve a belorusz, kazak, üzbég, bolgár, örmény, azerbajdzsáni és baskír nyelvek első alkalommal való támogatását is. Az orosz nyelvű készlet 2136 résztvevőt és 173 óra beszédanyagot tartalmaz (előtte 1412 résztvevő és 111 óra), míg az ukrán nyelvnél 615 résztvevő és 66 óra (előtte 459 résztvevő és 30 óra).
Az angol nyelvű anyagok előkészítésében több mint 75 ezer ember vett részt, akik 2637 óra megerősített beszédet diktáltak (előtte 66 ezer résztvevő és 1686 óra). Érdekes, hogy a második legtöbb gyűjtött adatokkal rendelkező nyelv a ruanda, amelyhez 2260 órát gyűjtöttek. Ezt követi a német (1040), a katalán (920) és az eszperantó (840). A legdinamikusabban növekvő beszédadatokkal rendelkező nyelvek között említik a thai nyelvet (az adatbázis 20-szoros növekedése, 12-ről 250 órára), a lugandát (8-ról 80 órára), az eszperantót (100-ról 840 órára) és a tamil nyelvet (24-ről 220 órára).
A Common Voice projekt keretében az NVIDIA vállalat készített a begyűjtött adatok alapján előképzett modelleket gépi tanulási rendszerek számára (a PyTorch támogatásával). A modellek ingyenes és nyílt forráskódú NVIDIA NeMo eszközkészlet részeként kerülnek terjesztésre, amelyet például már az MTS és a Sberbank automatizált hangszolgáltatásaiban használnak. A modellek a beszédfelismerési, beszédszintetizáló és természetes nyelvi feldolgozási rendszerek használatára orientálódtak, és hasznosak lehetnek a hangalapú párbeszédrendszerek, a transzkripciós platformok és az automatizált call centerek létrehozásával foglalkozó kutatók számára. A korábban elérhető projektekkel ellentétben a kiadott modellek nem korlátozódnak az angol nyelv felismerésére, és különböző nyelveket, akcentusokat és beszédformákat fognak át.
Emlékeztetünk arra, hogy a Common Voice projekt célja a közös munka megszervezése a hangminták adatbázisának felhalmozására, amely figyelembe veszi a hangok és beszédstílusok sokféleségét. A felhasználók arra kaptak lehetőséget, hogy felolvassák a képernyőn megjelenített mondatokat vagy értékeljék más felhasználók által hozzáadott adatok minőségét. Az összegyűjtött adatbázis, amely a különböző kiejtések eltérő mintázati frázisaiból tartalmaz felvételeket, korlátozások nélkül felhasználható gépi tanulási rendszerekben és kutatási projektekben.
A Vosk beszédfelismerő könyvtár szerzője szerint a Common Voice gyűjteményének hátrányai közé tartozik a hanganyag egyoldalúsága (20-30 éves férfiak túlsúlya, és a női, gyermek- és idősebb emberek hangját képviselő anyagok hiánya), a szókincs variabilitásának hiánya (ugyanazok a mondatok ismétlődése) és a torzító formátumban, MP3-ban terjesztett felvételek alkalmazása.
Forrás: opennet.ru
