Гласовно ажурирање на Mozilla Common Voice 7.0

NVIDIA и Mozilla објавија ажурирање на нивните збирки податоци за заеднички глас, кои вклучуваат 182 примероци на говор на луѓе, што е за 25% повеќе од пред 6 месеци. Податоците се објавуваат како јавен домен (CC0). Предложените множества може да се користат во системите за машинско учење за да се изградат модели за препознавање и синтеза на говор.

Во споредба со претходното ажурирање, големината на говорниот материјал во збирката е зголемена од 9 на 13.9 илјади часа говор. Бројот на поддржани јазици се зголеми од 60 на 76, вклучително и за првпат поддршка за белоруски, казахстански, узбекистански, бугарски, ерменски, азербејџански и башкирски јазици. Сетот за руски јазик опфаќа 2136 учесници и 173 часа говорен материјал (имаше 1412 учесници и 111 часа), а за украински јазик - 615 учесници и 66 часа (имаше 459 учесници и 30 часа).

Повеќе од 75 илјади луѓе учествуваа во подготовката на материјали на англиски јазик, диктирајќи 2637 часа потврден говор (имаше 66 илјади учесници и 1686 часа). Интересно е тоа што јазикот на второто место според количината на акумулирани податоци е Руанда, за која се собрани 2260 часа. Потоа следат германскиот (1040), каталонскиот (920) и есперанто (840). Меѓу најдинамички зголемените големината на гласовните податоци се тајландскиот јазик (20 пати зголемување во основата, од 12 на 250 часа), луганда (од 8 до 80 часа), есперанто (од 100 на 840 часа) и тамилски ( од 24 до 220 часот).часови).

Како дел од своето учество во проектот Common Voice, NVIDIA подготви готови обучени модели за системи за машинско учење (поддржани од PyTorch) врз основа на собраните податоци. Моделите се дистрибуираат како дел од бесплатната и отворена алатка NVIDIA NeMo, која, на пример, веќе се користи во автоматизираните говорни услуги на МТС и Сбербанк. Моделите се наменети за употреба во системи за препознавање говор, синтеза на говор и процесирање на природен јазик и може да бидат корисни за истражувачите кои градат системи за дијалози кои се активираат со глас, платформи за транскрипција и автоматизирани центри за повици. За разлика од претходно достапните проекти, објавените модели не се ограничени на препознавање англиски јазик и опфаќаат различни јазици, акценти и форми на говор.

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.

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