ការធ្វើបច្ចុប្បន្នភាព Mozilla Common Voice 8.0

Mozilla បានចេញផ្សាយការអាប់ដេតចំពោះសំណុំទិន្នន័យ Common Voice របស់ខ្លួន ដែលរួមបញ្ចូលគំរូការបញ្ចេញសំឡេងពីមនុស្សជិត 200 នាក់។ ទិន្នន័យត្រូវបានបោះពុម្ពជាដែនសាធារណៈ (CC0)។ សំណុំ​ដែល​បាន​ស្នើ​ឡើង​អាច​ត្រូវ​បាន​ប្រើ​ក្នុង​ប្រព័ន្ធ​រៀន​ម៉ាស៊ីន​ដើម្បី​បង្កើត​គំរូ​ការ​ស្គាល់​ការ​និយាយ​និង​ការ​សំយោគ។ បើប្រៀបធៀបទៅនឹងការអាប់ដេតមុន បរិមាណនៃសម្ភារៈនិយាយនៅក្នុងការប្រមូលបានកើនឡើង 30% - ពី 13.9 ទៅ 18.2 ពាន់ម៉ោងនៃការនិយាយ។ ចំនួនភាសាដែលគាំទ្របានកើនឡើងពី 67 ទៅ 87 ។

សំណុំសម្រាប់ភាសារុស្សីគ្របដណ្តប់អ្នកចូលរួម 2452 នាក់និងសម្ភារៈនិយាយ 193 ម៉ោង (មានអ្នកចូលរួម 2136 និង 173 ម៉ោង) សម្រាប់ភាសាបេឡារុស្ស - អ្នកចូលរួម 6160 និង 987 ម៉ោង (មានអ្នកចូលរួម 3831 និង 356 ម៉ោង) សម្រាប់ភាសាអ៊ុយក្រែន - អ្នកចូលរួម 684 នាក់ និង 76 ម៉ោង (មានអ្នកចូលរួម 615 នាក់ និង 66 ម៉ោង) ។ មនុស្សជាង 79 ពាន់នាក់បានចូលរួមក្នុងការរៀបចំសម្ភារៈជាភាសាអង់គ្លេសដោយកំណត់ 2886 ម៉ោងនៃសុន្ទរកថាដែលបានបញ្ជាក់ (មានអ្នកចូលរួម 75 ពាន់នាក់និង 2637 ម៉ោង) ។

អនុញ្ញាតឱ្យយើងរំលឹកអ្នកថា គម្រោង Common Voice មានគោលបំណងរៀបចំការងាររួមគ្នាដើម្បីប្រមូលផ្តុំមូលដ្ឋានទិន្នន័យនៃគំរូសំឡេងដែលគិតគូរពីភាពចម្រុះនៃសំឡេង និងរចនាប័ទ្មការនិយាយ។ អ្នក​ប្រើ​ត្រូវ​បាន​អញ្ជើញ​ឱ្យ​ប្រើ​ឃ្លា​សំឡេង​ដែល​បង្ហាញ​លើ​អេក្រង់ ឬ​វាយ​តម្លៃ​គុណភាព​ទិន្នន័យ​ដែល​បាន​បន្ថែម​ដោយ​អ្នក​ប្រើ​ផ្សេង​ទៀត។ មូលដ្ឋានទិន្នន័យដែលបានប្រមូលផ្តុំជាមួយនឹងកំណត់ត្រានៃការបញ្ចេញសំឡេងផ្សេងៗនៃឃ្លាធម្មតានៃការនិយាយរបស់មនុស្សអាចត្រូវបានប្រើដោយគ្មានការរឹតបន្តឹងនៅក្នុងប្រព័ន្ធរៀនម៉ាស៊ីន និងក្នុងគម្រោងស្រាវជ្រាវ។ យោងតាមអ្នកនិពន្ធនៃបណ្ណាល័យ Vosk ការទទួលស្គាល់ការនិយាយជាបន្ត គុណវិបត្តិនៃសំណុំសំឡេងទូទៅគឺភាពម្ខាងនៃសម្ភារៈសំឡេង (ភាពលេចធ្លោរបស់មនុស្សប្រុសដែលមានអាយុពី 20-30 ឆ្នាំ និងកង្វះសម្ភារៈជាមួយសំឡេងរបស់ស្ត្រី។ កុមារ និងមនុស្សចាស់) កង្វះនៃការប្រែប្រួលនៅក្នុងវចនានុក្រម (ពាក្យដដែលៗនៃឃ្លាដដែល) និងការចែកចាយការថតសំឡេងជាទម្រង់ MP3 ដែលខូចទ្រង់ទ្រាយ។

លើសពីនេះ យើងអាចកត់សម្គាល់ពីការចេញផ្សាយកញ្ចប់ឧបករណ៍ NVIDIA NeMo 1.6 ដែលផ្តល់នូវវិធីសាស្រ្តរៀនម៉ាស៊ីនសម្រាប់បង្កើតប្រព័ន្ធទទួលស្គាល់ការនិយាយ ការសំយោគការនិយាយ និងដំណើរការភាសាធម្មជាតិ។ NeMo រួមបញ្ចូលគំរូដែលបានបណ្តុះបណ្តាលរួចរាល់សម្រាប់ប្រព័ន្ធរៀនម៉ាស៊ីនដោយផ្អែកលើក្របខ័ណ្ឌ PyTorch ដែលរៀបចំដោយ NVIDIA ដោយប្រើទិន្នន័យការនិយាយសំឡេងទូទៅ និងគ្របដណ្តប់លើភាពខុសគ្នានៃភាសា ការសង្កត់សំឡេង និងទម្រង់នៃការនិយាយ។ គំរូអាចមានប្រយោជន៍សម្រាប់អ្នកស្រាវជ្រាវដែលបង្កើតប្រព័ន្ធសន្ទនាផ្អែកលើសំឡេង វេទិកាប្រតិចារិក និងមជ្ឈមណ្ឌលហៅទូរសព្ទដោយស្វ័យប្រវត្តិ។ ឧទាហរណ៍ NVIDIA NeMo ត្រូវបានប្រើនៅក្នុងសេវាកម្មសំឡេងស្វ័យប្រវត្តិរបស់ MTS និង Sberbank ។ កូដ NeMo ត្រូវបានសរសេរនៅក្នុង Python ដោយប្រើ PyTorch និងចែកចាយក្រោមអាជ្ញាប័ណ្ណ Apache 2.0 ។

ប្រភព: opennet.ru