Гласовно ажурирање на Mozilla Common Voice 8.0

Mozilla објави ажурирање на збирките на податоци за заеднички глас, кои вклучуваат примероци за изговор од речиси 200 луѓе. 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, обемот на говорниот материјал во збирката се зголеми за 30% - од 13.9 на 18.2 илјади часа говор. Бројот на поддржани јазици се зголеми од 67 на 87.

Сетот за руски јазик опфаќа 2452 учесници и 193 часа говорен материјал (имаше 2136 учесници и 173 часа), за белоруски јазик - 6160 учесници и 987 часа (имаше 3831 учесник и 356 часа), за украински јазик - 684 учесници и 76 часа (имаше 615 учесници и 66 часа). Повеќе од 79 илјади луѓе учествуваа во подготовката на материјали на англиски јазик, диктирајќи 2886 часа потврден говор (имаше 75 илјади учесници и 2637 часа).

Да ве потсетиме дека проектот Common Voice е насочен кон организирање заедничка работа за акумулирање на база на податоци за гласовни обрасци што ја зема предвид различноста 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.

Дополнително, можеме да го забележиме објавувањето на пакетот алатки NVIDIA NeMo 1.6, кој обезбедува методи за машинско учење за создавање системи за препознавање говор, синтеза на говор и обработка на природен јазик. NeMo вклучува подготвени за употреба обучени модели за системи за машинско учење базирани на рамката PyTorch, подготвени од NVIDIA користејќи податоци за говорот на заеднички глас и опфаќаат различни јазици, акценти и форми на говор. Моделите може да бидат корисни за истражувачите кои развиваат системи за дијалог засновани на глас, платформи за транскрипција и автоматизирани центри за повици. На пример, NVIDIA NeMo се користи во автоматизирани говорни услуги на МТС и Сбербанк. Кодот NeMo е напишан во Python користејќи PyTorch и се дистрибуира под лиценцата Apache 2.0.

Извор: opennet.ru