മോസില്ല കോമൺ വോയ്സ് 7.0 അപ്ഡേറ്റ്

Компании NVIDIA и Mozilla представили обновление наборов голосовых данных, собранных в результате инициативы Common Voice и включающих примеры произношения 182 тысяч людей, что на 25% больше, чем 6 месяцев назад. 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 размер объём речевого материала в коллекции увеличился с 9 до 13.9 тысяч часов речи. Число поддерживаемых языков возросло с 60 до 76, в том числе впервые добавлена поддержка Белорусского, Казахского, Узбекского, Болгарского, Армянского, Азербайджанского и Башкирского языков. Набор для русского языка охватывает 2136 участников и 173 часа речевого материала (было 1412 участников и 111 часов), а для украинского языка — 615 участников и 66 часов (было 459 участников и 30 часов).

В подготовке материалов на английском языке приняли участие более 75 тысяч человек, надиктовавших 2637 часов подтверждённой речи (было 66 тысяч участников и 1686 часов). Интересно, что на втором месте по размеру накопленных данных язык руанда, для которого собрано 2260 часов. Затем следуют немецкий (1040), каталонский (920) и эсперанто (840). Из наиболее динамично наращивающих размер голосовых данных языков называются тайский язык (рост базы в 20 раз, с 12 до 250 часов), луганда (с 8 до 80 часов), эсперанто (со 100 до 840 часов) и тамильский язык (с 24 до 220 часов).

В рамках своего участия в проекте Common Voice компания NVIDIA подготовила на базе собранных данных готовые натренированные модели для систем машинного обучения (поддерживается PyTorch). Модели распространяются в составе бесплатного и открытого инструментария NVIDIA NeMo, который, например, уже используется в автоматизированных голосовых сервисах МТС и Сбербанка. Модели ориентированы на использование в системах распознавания речи, синтеза речи и обработки информации на естественном языке, и могут оказаться полезными для исследователей, занимающихся созданием голосовых диалоговых систем, платформ для транскрипции и автоматизированных колл-центров. В отличие от доступных ранее проектов, опубликованные модели не ограничиваются распознанием английского языка и охватывают различные языки, акценты и формы речи.

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.

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