Компания NVIDIA инвестирует 1.5 млн долларов в проект Mozilla Common Voice. Интерес к системам распознавания речи связан с прогнозом, что в следующие десять лет голосовые технологии станут одним из основных способов взаимодействия людей с различными устройствами, от компьютеров и телефонов, до цифровых ассистентов и киосков для продажи товаров.
Качество работы голосовых систем сильно зависит от объёма и разнообразия голосовых данных, доступных для тренировки моделей машинного обучения. Сегодняшние голосовые технологии в основном сосредоточены на распознании английского языка и не охватывают огромное количество языков, акцентов и моделей речи. Инвестиции помогут ускорить наращивание объёма общедоступных голосовых данных, привлечь к работе больше сообществ и волонтёров, а также расширить число сотрудников, занимающихся проектом в основное рабочее время.
Да ве потсетиме дека проектот Common Voice е насочен кон организирање заедничка работа за акумулирање на база на податоци за гласовни обрасци што ги зема предвид различностите на гласовите и стиловите на говорот. Корисниците се поканети на гласовни фрази прикажани на екранот или го оценуваат квалитетот на податоците додадени од други корисници. Акумулираната база на податоци со записи од различни изговори на типични фрази на човечкиот говор може да се користи без ограничувања во системите за машинско учење и во истражувачки проекти.
В настоящее время набор Common Voice включает примеры произношения более 164 тысяч людей. Накоплено около 9 тысяч часов голосовых данных на 60 различных языках. Набор для русского языка охватывает 1412 участников и 111 часов речевого материала, а для украинского языка — 459 участников и 30 часов. Для сравнения в подготовке материалов на английском языке приняли участие более 66 тысяч человек, надиктовавших 1686 часов подтверждённой речи. Предложенные наборы можно использовать в системах машинного обучения для построения моделей распознавания и синтеза речи. Данные опубликованы как общественное достояние (CC0).
Според авторот на библиотеката за континуирано препознавање говор Воск, недостатоците на сетот Common Voice се едностраноста на гласовниот материјал (доминација на машки лица на возраст од 20-30 години и недостаток на материјал со гласовите на жените , деца и постари лица), недостатокот на варијабилност во речникот (повторување на истите фрази) и дистрибуција на снимки во искривен MP3 формат.
Извор: opennet.ru