Компания Mozilla представила обновление наборов голосовых данных Common Voice, включающих примеры произношения около 200 тысяч человек. Данные опубликованы как общественное достояние (CC0). Предложенные наборы можно использовать в системах машинного обучения для построения моделей распознавания и синтеза речи.
По сравнению с прошлым обновлением объём речевого материала в коллекции увеличился на 10% — с 18.2 до 20.2 тысяч часов речи. Число поддерживаемых языков возросло с 87 до 93. Для 27 языков накоплено более 100 часов речевых данных, а для 9 — более 500 часов речевых данных. Для 9 языков также удалось добиться доли женской речи, составляющей как минимум 45%.
В подготовке материалов на английском языке приняли участие более 81 тысяч человек, надиктовавших 2953 часов речи (было 79 тысяч участников и 2886 часов). Набор для белорусского языка охватывает 6326 участников и 1054 часа речевого материала (было — 6160 участников и 987 часов), русского языка — 2585 участников и 201 час (было 2452 участника и 193 часа), узбекского — 1503 участника и 231 час (было 1355 участников и 227 часов), украинского языка — 696 участников и 79 часов (было 684 участника и 76 часов).
Common Voice პროექტი მიზნად ისახავს ერთობლივი სამუშაოს ორგანიზებას ხმის შაბლონების მონაცემთა ბაზის დაგროვების მიზნით, რომელიც ითვალისწინებს ხმებისა და მეტყველების სტილის მრავალფეროვნებას. მომხმარებლებს ეწვევა ეკრანზე გამოსახული ხმოვანი ფრაზები ან შეაფასონ სხვა მომხმარებლების მიერ დამატებული მონაცემების ხარისხი. დაგროვილი მონაცემთა ბაზა ადამიანის მეტყველების ტიპიური ფრაზების სხვადასხვა გამოთქმის ჩანაწერებით შეიძლება გამოყენებულ იქნას შეზღუდვების გარეშე მანქანათმცოდნეობის სისტემებში და კვლევით პროექტებში.
წყარო: opennet.ru