A Mozilla bemutatta a Common Voice hangadathalmozatait, amelyek körülbelül 200 ezer ember kiejtési példáit tartalmazzák. Az adatok közszolgáltatásként (CC0) kerültek közzétételre. A javasolt halmazokat gépi tanulási rendszerekben lehet felhasználni beszédfelismerés és szintézis modellek kialakításához. Az előző frissítéshez képest a gyűjtemény beszédanyagának mennyisége 30%-kal nőtt — 13,9 ezer óráról 18,2 ezer órára. A támogatott nyelvek száma 67-ről 87-re emelkedett.
A orosz nyelvhez tartozó halmaz 2452 résztvevőt és 193 órányi beszédanyagot foglal magában (korábban 2136 résztvevő és 173 óra volt), a belorusz nyelvhez — 6160 résztvevőt és 987 órát (korábban — 3831 résztvevő és 356 óra), az ukrán nyelvhez — 684 résztvevőt és 76 órát (korábban 615 résztvevő és 66 óra). Az angol nyelvű anyagok előkészítésében több mint 79 ezer ember vett részt, akik 2886 órányi megerősített beszédet diktáltak (korábban 75 ezer résztvevő és 2637 óra volt).
Emlékeztetjük, hogy a Common Voice projekt célja a hangmodell-mentesség felépítése, amely figyelembe veszi a hangok és beszédstílusok széles spektrumát. A felhasználók a képernyőn megjelenő kifejezéseket hangosan mondják, vagy értékelik a más felhasználók által hozzáadott adatok minőségét. A felhalmozott adatbázis különböző kiejtésű humán beszéd standard kifejezéseivel korlátok nélkül felhasználható gépi tanulási rendszerekben és kutatási projektekben. A Vosk beszédfelismerő könyvtár szerzője szerint a Common Voice halmaz hátrányai közé tartozik az egyoldalúság (a 20-30 éves férfiak túlsúlya, valamint a nők, gyermekek és idősek hangjának hiánya), a szókincs variabilitásának hiánya (ugyanazon kifejezések ismétlődése) és a torzított MP3 formátumban rögzített felvételek elterjedése.
Továbbá megemlíthetjük az NVIDIA NeMo 1.6 eszközkészlet kiadását, amely gépi tanulási módszereket biztosít beszédfelismerő, beszédszintetizáló és természetes nyelvfeldolgozó rendszerek létrehozásához. A NeMo tartalmaz előre betanított modelleket a PyTorch keretrendszer alapú gépi tanulási rendszerekhez, amelyeket az NVIDIA készített a Common Voice beszédadatok felhasználásával, és különböző nyelveket, akcentusokat és beszédformákat ölelnek fel. A modellek hasznosak lehetnek a hangalapú párbeszédsorozatok, átirati platformok és automatizált call centerek fejlesztésével foglalkozó kutatók számára. Például az NVIDIA NeMo-t az MTS és a Sberbank automatizált hangszolgáltatásaiban alkalmazzák. A NeMo kódja Python nyelven íródott, PyTorch használatával, és Apache 2.0 licenc alatt terjesztik.
Forrás: opennet.ru
