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).
“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 тарабынан кошулган 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.
Source: opennet.ru