മോസില്ല കോമൺ വോയ്‌സ് പദ്ധതിയിൽ എൻവിഡിയ $1.5 മില്യൺ നിക്ഷേപിക്കുന്നു

മോസില്ല കോമൺ വോയ്‌സ് പദ്ധതിയിൽ 1.5 മില്യൺ ഡോളറാണ് എൻവിഡിയ നിക്ഷേപിക്കുന്നത്. അടുത്ത പത്ത് വർഷത്തിനുള്ളിൽ, കമ്പ്യൂട്ടറുകളും ഫോണുകളും മുതൽ ഡിജിറ്റൽ അസിസ്റ്റന്റുകളും കിയോസ്‌കുകളും വരെയുള്ള ഉപകരണങ്ങളുമായി ആശയവിനിമയം നടത്തുന്ന പ്രധാന മാർഗങ്ങളിലൊന്നായി വോയ്‌സ് ടെക്‌നോളജി മാറുമെന്ന പ്രവചനത്തിൽ നിന്നാണ് സ്‌പീച്ച് റെക്കഗ്‌നിഷൻ സംവിധാനങ്ങളോടുള്ള താൽപര്യം ഉടലെടുത്തത്.

വോയ്‌സ് സിസ്റ്റങ്ങളുടെ പ്രകടനം മെഷീൻ ലേണിംഗ് മോഡലുകളെ പരിശീലിപ്പിക്കുന്നതിനായി ലഭ്യമായ വോയ്‌സ് ഡാറ്റയുടെ വോളിയത്തെയും വൈവിധ്യത്തെയും ആശ്രയിച്ചിരിക്കുന്നു. ഇന്നത്തെ വോയ്‌സ് ടെക്‌നോളജി പ്രാഥമികമായി ഇംഗ്ലീഷ് ഭാഷ തിരിച്ചറിയുന്നതിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നു, മാത്രമല്ല ഭാഷകൾ, ഉച്ചാരണങ്ങൾ, സംഭാഷണ പാറ്റേണുകൾ എന്നിവയുടെ വിപുലമായ ശ്രേണിയെ ഉൾക്കൊള്ളുന്നില്ല. പബ്ലിക് വോയ്‌സ് ഡാറ്റയുടെ വളർച്ച ത്വരിതപ്പെടുത്താനും കൂടുതൽ കമ്മ്യൂണിറ്റികളോടും സന്നദ്ധപ്രവർത്തകരോടും ഇടപഴകാനും മുഴുവൻ സമയ പ്രോജക്റ്റ് സ്റ്റാഫുകളുടെ എണ്ണം വിപുലീകരിക്കാനും നിക്ഷേപം സഹായിക്കും.

ശബ്ദങ്ങളുടെയും സംഭാഷണ ശൈലികളുടെയും വൈവിധ്യം കണക്കിലെടുത്ത് വോയ്‌സ് പാറ്റേണുകളുടെ ഒരു ഡാറ്റാബേസ് ശേഖരിക്കുന്നതിന് സംയുക്ത പ്രവർത്തനം സംഘടിപ്പിക്കുന്നതിനാണ് കോമൺ വോയ്‌സ് പ്രോജക്റ്റ് ലക്ഷ്യമിടുന്നതെന്ന് ഞങ്ങൾ നിങ്ങളെ ഓർമ്മിപ്പിക്കാം. സ്‌ക്രീനിൽ ദൃശ്യമാകുന്ന വോയ്‌സ് ശൈലികളിലേക്കോ മറ്റ് ഉപയോക്താക്കൾ ചേർത്ത ഡാറ്റയുടെ ഗുണനിലവാരം വിലയിരുത്തുന്നതിനോ ഉപയോക്താക്കളെ ക്ഷണിക്കുന്നു. മനുഷ്യ സംഭാഷണത്തിന്റെ സാധാരണ ശൈലികളുടെ വിവിധ ഉച്ചാരണങ്ങളുടെ റെക്കോർഡുകളുള്ള ശേഖരിക്കപ്പെട്ട ഡാറ്റാബേസ് മെഷീൻ ലേണിംഗ് സിസ്റ്റങ്ങളിലും ഗവേഷണ പ്രോജക്റ്റുകളിലും നിയന്ത്രണങ്ങളില്ലാതെ ഉപയോഗിക്കാൻ കഴിയും.

കോമൺ വോയ്‌സ് സെറ്റിൽ നിലവിൽ 164-ലധികം ആളുകളിൽ നിന്നുള്ള ഉച്ചാരണ ഉദാഹരണങ്ങൾ ഉൾപ്പെടുന്നു. 9 വ്യത്യസ്ത ഭാഷകളിലായി ഏകദേശം 60 ആയിരം മണിക്കൂർ വോയ്‌സ് ഡാറ്റ ശേഖരിച്ചു. റഷ്യൻ ഭാഷയ്ക്കുള്ള സെറ്റിൽ 1412 പങ്കാളികളും 111 മണിക്കൂർ സംഭാഷണ സാമഗ്രികളും ഉക്രേനിയൻ ഭാഷയ്ക്ക് - 459 പങ്കാളികളും 30 മണിക്കൂറും ഉൾപ്പെടുന്നു. താരതമ്യത്തിനായി, 66 ആയിരത്തിലധികം ആളുകൾ ഇംഗ്ലീഷിൽ മെറ്റീരിയലുകൾ തയ്യാറാക്കുന്നതിൽ പങ്കെടുത്തു, 1686 മണിക്കൂർ പരിശോധിച്ച പ്രസംഗം നിർദ്ദേശിക്കുന്നു. സ്പീച്ച് റെക്കഗ്നിഷനും സിന്തസിസ് മോഡലുകളും നിർമ്മിക്കുന്നതിന് മെഷീൻ ലേണിംഗ് സിസ്റ്റങ്ങളിൽ നിർദ്ദിഷ്ട സെറ്റുകൾ ഉപയോഗിക്കാം. ഡാറ്റ പബ്ലിക് ഡൊമെയ്‌നായി (CC0) പ്രസിദ്ധീകരിച്ചു.

വോസ്ക് തുടർച്ചയായ സംഭാഷണ തിരിച്ചറിയൽ ലൈബ്രറിയുടെ രചയിതാവ് പറയുന്നതനുസരിച്ച്, കോമൺ വോയ്‌സ് സെറ്റിന്റെ പോരായ്മകൾ വോയ്‌സ് മെറ്റീരിയലിന്റെ ഏകപക്ഷീയതയാണ് (20-30 വയസ്സ് പ്രായമുള്ള പുരുഷന്മാരുടെ ആധിപത്യം, സ്ത്രീകളുടെ ശബ്ദമുള്ള മെറ്റീരിയലിന്റെ അഭാവം , കുട്ടികളും പ്രായമായവരും), നിഘണ്ടുവിലെ വ്യതിയാനത്തിന്റെ അഭാവം (ഒരേ ശൈലികളുടെ ആവർത്തനം), വികലമായ MP3 ഫോർമാറ്റിലുള്ള റെക്കോർഡിംഗുകളുടെ വിതരണം.

അവലംബം: opennet.ru