മോസില്ല കോമൺ വോയ്സ് 8.0 അപ്ഡേറ്റ്

മോസില്ല അതിന്റെ കോമൺ വോയ്‌സ് ഡാറ്റാസെറ്റുകളുടെ ഒരു അപ്‌ഡേറ്റ് പുറത്തിറക്കി, അതിൽ ഏകദേശം 200 ആളുകളിൽ നിന്നുള്ള സംഭാഷണ സാമ്പിളുകൾ ഉൾപ്പെടുന്നു. ഡാറ്റ പബ്ലിക് ഡൊമെയ്‌നിൽ (CC0) പ്രസിദ്ധീകരിച്ചിരിക്കുന്നു. സംഭാഷണ തിരിച്ചറിയൽ, സിന്തസിസ് മോഡലുകൾ നിർമ്മിക്കുന്നതിന് മെഷീൻ ലേണിംഗ് സിസ്റ്റങ്ങളിൽ ഡാറ്റാസെറ്റുകൾ ഉപയോഗിക്കാൻ കഴിയും. മുമ്പത്തെ അപ്‌ഡേറ്റുമായി താരതമ്യപ്പെടുത്തുമ്പോൾ, ശേഖരത്തിന്റെ സംഭാഷണ ഡാറ്റാസെറ്റ് വലുപ്പം 30% വർദ്ധിച്ചു - 13.9 ൽ നിന്ന് 18.2 മണിക്കൂർ സംഭാഷണമായി. പിന്തുണയ്ക്കുന്ന ഭാഷകളുടെ എണ്ണം 67 ൽ നിന്ന് 87 ആയി വർദ്ധിച്ചു.

റഷ്യൻ ഭാഷാ സെറ്റിൽ 2452 പങ്കാളികളും 193 മണിക്കൂർ പ്രസംഗ സാമഗ്രികളും ഉൾപ്പെടുന്നു (മുമ്പ് 2136 പങ്കാളികളും 173 മണിക്കൂറും), ബെലാറഷ്യൻ ഭാഷാ സെറ്റിൽ 6160 പങ്കാളികളും 987 മണിക്കൂറും (മുമ്പ് 3831 പങ്കാളികളും 356 മണിക്കൂറും), ഉക്രേനിയൻ ഭാഷാ സെറ്റിൽ 684 പങ്കാളികളും 76 മണിക്കൂറും (മുമ്പ് 615 പങ്കാളികളും 66 മണിക്കൂറും) ഉൾപ്പെടുന്നു. ഇംഗ്ലീഷ് ഭാഷാ സാമഗ്രികൾ തയ്യാറാക്കുന്നതിൽ 79-ത്തിലധികം ആളുകൾ പങ്കെടുത്തു, 2886 മണിക്കൂർ പരിശോധിച്ചുറപ്പിച്ച സംഭാഷണം (മുമ്പ് 75 പങ്കാളികളും 2637 മണിക്കൂറും) നിർദ്ദേശിച്ചു.

ഒരു ഓർമ്മപ്പെടുത്തൽ എന്ന നിലയിൽ, കോമൺ വോയ്‌സ് പ്രോജക്റ്റ് ലക്ഷ്യമിടുന്നത്, ശബ്ദങ്ങളുടെയും സംഭാഷണ പാറ്റേണുകളുടെയും പൂർണ്ണ വൈവിധ്യം പകർത്തുന്ന വോയ്‌സ് ടെംപ്ലേറ്റുകളുടെ ഒരു ഡാറ്റാബേസ് ശേഖരിക്കുന്നതിനുള്ള സഹകരണ ശ്രമങ്ങൾ സംഘടിപ്പിക്കുക എന്നതാണ്. സ്‌ക്രീനിൽ പ്രദർശിപ്പിക്കുന്ന വോയ്‌സ് ശൈലികളിലേക്ക് ഉപയോക്താക്കളെ ക്ഷണിക്കുകയോ മറ്റ് ഉപയോക്താക്കൾ ചേർത്ത ഡാറ്റയുടെ ഗുണനിലവാരം റേറ്റ് ചെയ്യുകയോ ചെയ്യുന്നു. സാധാരണ മനുഷ്യ ശൈലികളുടെ വിവിധ ഉച്ചാരണങ്ങളുടെ റെക്കോർഡിംഗുകൾ അടങ്ങിയ സഞ്ചിത ഡാറ്റാബേസ്, മെഷീൻ ലേണിംഗ് സിസ്റ്റങ്ങളിലും ഗവേഷണ പദ്ധതികളിലും പരിമിതികളില്ലാതെ ഉപയോഗിക്കാൻ കഴിയും. തുടർച്ചയായ സ്പീച്ച് റെക്കഗ്നിഷൻ ലൈബ്രറിയുടെ രചയിതാവായ വോസ്‌കിന്റെ അഭിപ്രായത്തിൽ, കോമൺ വോയ്‌സ് ഡാറ്റാസെറ്റിന്റെ പോരായ്മകളിൽ വോയ്‌സ് മെറ്റീരിയലിന്റെ പക്ഷപാതപരമായ സ്വഭാവം (20-കളിലും 30-കളിലും പ്രായമുള്ള പുരുഷന്മാരുടെ ആധിപത്യം, സ്ത്രീകൾ, കുട്ടികൾ, പ്രായമായവർ എന്നിവരെ ഉൾപ്പെടുത്തി മെറ്റീരിയലിന്റെ അഭാവം), പദാവലി വൈവിധ്യത്തിന്റെ അഭാവം (ഒരേ ശൈലികളുടെ ആവർത്തനം), വികലമായ MP3 ഫോർമാറ്റിലുള്ള റെക്കോർഡിംഗുകളുടെ വിതരണം എന്നിവ ഉൾപ്പെടുന്നു.

സ്പീച്ച് റെക്കഗ്നിഷൻ, സ്പീച്ച് സിന്തസിസ്, നാച്ചുറൽ ലാംഗ്വേജ് പ്രോസസ്സിംഗ് സിസ്റ്റങ്ങൾ എന്നിവ സൃഷ്ടിക്കുന്നതിനുള്ള മെഷീൻ ലേണിംഗ് രീതികൾ നൽകുന്ന ഒരു ടൂൾകിറ്റായ NVIDIA NeMo 1.6 ന്റെ പ്രകാശനവും ശ്രദ്ധേയമാണ്. PyTorch ഫ്രെയിംവർക്കിനെ അടിസ്ഥാനമാക്കിയുള്ള മെഷീൻ ലേണിംഗ് സിസ്റ്റങ്ങൾക്കായുള്ള ഉപയോഗിക്കാൻ തയ്യാറായ, മുൻകൂട്ടി പരിശീലിപ്പിച്ച മോഡലുകൾ NeMo-യിൽ ഉൾപ്പെടുന്നു, ഇത് കോമൺ വോയ്‌സ് സ്പീച്ച് ഡാറ്റ ഉപയോഗിച്ച് NVIDIA വികസിപ്പിച്ചെടുത്തതും വിവിധ ഭാഷകൾ, ആക്‌സന്റുകൾ, സ്പീച്ച് ഫോമുകൾ എന്നിവ ഉൾക്കൊള്ളുന്നതുമാണ്. വോയ്‌സ്-ആക്ടിവേറ്റഡ് ഡയലോഗ് സിസ്റ്റങ്ങൾ, ട്രാൻസ്ക്രിപ്ഷൻ പ്ലാറ്റ്‌ഫോമുകൾ, ഓട്ടോമേറ്റഡ് കോൾ സെന്ററുകൾ എന്നിവ വികസിപ്പിക്കുന്ന ഗവേഷകർക്ക് ഈ മോഡലുകൾ ഉപയോഗപ്രദമാകും. ഉദാഹരണത്തിന്, MTS, Sberbank എന്നിവയിലെ ഓട്ടോമേറ്റഡ് വോയ്‌സ് സേവനങ്ങളിൽ NVIDIA NeMo ഉപയോഗിക്കുന്നു. NeMo പൈത്തൺ ഉപയോഗിച്ച് പൈത്തണിൽ എഴുതിയിരിക്കുന്നു, കൂടാതെ Apache 2.0 ലൈസൻസിന് കീഴിൽ ലൈസൻസ് ചെയ്തിരിക്കുന്നു.

അവലംബം: opennet.ru