Компании NVIDIA и Mozilla представили обновление наборов голосовых данных, собранных в результате инициативы Common Voice и включающих примеры произношения 182 тысяч людей, что на 25% больше, чем 6 месяцев назад. 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 размер объём речевого материала в коллекции увеличился с 9 до 13.9 тысяч часов речи. Число поддерживаемых языков возросло с 60 до 76, в том числе впервые добавлена поддержка Белорусского, Казахского, Узбекского, Болгарского, Армянского, Азербайджанского и Башкирского языков. Набор для русского языка охватывает 2136 участников и 173 часа речевого материала (было 1412 участников и 111 часов), а для украинского языка — 615 участников и 66 часов (было 459 участников и 30 часов).
В подготовке материалов на английском языке приняли участие более 75 тысяч человек, надиктовавших 2637 часов подтверждённой речи (было 66 тысяч участников и 1686 часов). Интересно, что на втором месте по размеру накопленных данных язык руанда, для которого собрано 2260 часов. Затем следуют немецкий (1040), каталонский (920) и эсперанто (840). Из наиболее динамично наращивающих размер голосовых данных языков называются тайский язык (рост базы в 20 раз, с 12 до 250 часов), луганда (с 8 до 80 часов), эсперанто (со 100 до 840 часов) и тамильский язык (с 24 до 220 часов).
В рамках своего участия в проекте Common Voice компания NVIDIA подготовила на базе собранных данных готовые натренированные модели для систем машинного обучения (поддерживается PyTorch). Модели распространяются в составе бесплатного и открытого инструментария NVIDIA NeMo, который, например, уже используется в автоматизированных голосовых сервисах МТС и Сбербанка. Модели ориентированы на использование в системах распознавания речи, синтеза речи и обработки информации на естественном языке, и могут оказаться полезными для исследователей, занимающихся созданием голосовых диалоговых систем, платформ для транскрипции и автоматизированных колл-центров. В отличие от доступных ранее проектов, опубликованные модели не ограничиваются распознанием английского языка и охватывают различные языки, акценты и формы речи.
Эске сала кетсек, “Жалпы үн” долбоору үндөрдүн жана сүйлөө стилинин көп түрдүүлүгүн эске алган үн үлгүлөрүнүн маалымат базасын топтоо боюнча биргелешкен иштерди уюштурууга багытталган. Колдонуучулар экранда көрсөтүлгөн үн сөз айкаштарына же башка колдонуучулар кошкон маалыматтардын сапатына баа берүүгө чакырылат. Адам сүйлөөчү типтүү сөз айкаштарынын ар кандай айтылышынын жазуулары бар топтолгон маалымат базасы машиналык окутуу системаларында жана илимий долбоорлордо чектөөсүз колдонулушу мүмкүн.
Vosk үзгүлтүксүз кеп таануу китепканасынын авторунун айтымында, Common Voice топтомунун кемчиликтери үн материалынын бир жактуулугу (20-30 жаштагы эркектердин басымдуулук кылышы жана аялдардын үнү жазылган материалдардын жетишсиздиги) болуп саналат. , балдар жана карылар), сөздүктүн вариациясынын жоктугу (бир эле сөз айкаштарын кайталоо) жана жаздырууларды MP3 форматында бурмалоо.
Source: opennet.ru