Mozilla Common Voice 7.0 עדכון קולי

NVIDIA ומוזילה פרסמו עדכון למערך הנתונים Common Voice שלהם, הכוללים דגימות דיבור של 182 אנשים, עלייה של 25% לעומת 6 חודשים לפני. הנתונים מתפרסמים כנחלת הכלל (CC0). ניתן להשתמש בערכות המוצעות במערכות למידת מכונה לבניית מודלים של זיהוי דיבור וסינתזה.

בהשוואה לעדכון הקודם, גודל חומר הדיבור באוסף גדל מ-9 ל-13.9 אלף שעות דיבור. מספר השפות הנתמכות גדל מ-60 ל-76, כולל לראשונה תמיכה בשפות בלארוסית, קזחית, אוזבקית, בולגרית, ארמנית, אזרבייג'נית ובשקירית. הסט לשפה הרוסית מכסה 2136 משתתפים ו-173 שעות של חומר דיבור (היו 1412 משתתפים ו-111 שעות), ולשפה האוקראינית - 615 משתתפים ו-66 שעות (היו 459 משתתפים ו-30 שעות).

יותר מ-75 אלף איש לקחו חלק בהכנת חומרים באנגלית, שהכתיבו 2637 שעות של דיבור מאומת (היו 66 אלף משתתפים ו-1686 שעות). מעניין שהשפה במקום השני מבחינת כמות הנתונים המצטברים היא רואנדה, עבורה נאספו 2260 שעות. אחריה גרמנית (1040), קטלאנית (920) ואספרנטו (840). בין הגדלים הדינמיים ביותר של נתונים קוליים הם השפה התאילנדית (פי 20 בבסיס, מ-12 ל-250 שעות), לוגנדה (מ-8 ל-80 שעות), אספרנטו (מ-100 ל-840 שעות) וטמילית ( מ-24 עד 220 שעות).

כחלק מהשתתפותה בפרויקט Common Voice, NVIDIA הכינה מודלים מאומנים מוכנים למערכות למידת מכונה (נתמכת על ידי PyTorch) על סמך הנתונים שנאספו. הדגמים מופצים כחלק מערך הכלים החינמי והפתוח של NVIDIA NeMo, שבו, למשל, כבר נעשה שימוש בשירותי הקול האוטומטיים של MTS ו-Sberbank. המודלים מיועדים לשימוש במערכות זיהוי דיבור, סינתזת דיבור ועיבוד שפה טבעית, ועשויים להיות שימושיים עבור חוקרים בונים מערכות דיאלוג מופעלות קול, פלטפורמות תמלול ומוקדים טלפוניים אוטומטיים. שלא כמו פרויקטים זמינים בעבר, המודלים שפורסמו אינם מוגבלים לזיהוי שפה אנגלית ומכסים מגוון שפות, מבטאים וצורות דיבור.

נזכיר לכם כי פרויקט הקול המשותף נועד לארגן עבודה משותפת לצבירת מאגר תבניות קול שלוקח בחשבון את מגוון הקולות וסגנונות הדיבור. משתמשים מוזמנים לביטויים קוליים המוצגים על המסך או להעריך את איכות הנתונים שנוספו על ידי משתמשים אחרים. ניתן להשתמש במסד הנתונים המצטבר עם רישומים של הגיות שונות של ביטויים טיפוסיים של דיבור אנושי ללא הגבלות במערכות למידת מכונה ובפרויקטי מחקר.

לדברי מחבר ספריית זיהוי הדיבור המתמשך Vosk, החסרונות של ערכת ה-Common Voice הם החד-צדדיות של חומר הקול (הדומיננטיות של גברים בני 20-30, והיעדר חומר עם קולות של נשים , ילדים וקשישים), חוסר השונות במילון (חזרה על אותם ביטויים) והפצת הקלטות בפורמט MP3 מעוות.

מקור: OpenNet.ru