NVIDIA ने Mozilla Common Voice प्रकल्पामध्ये $1.5 दशलक्ष गुंतवणूक केली आहे

NVIDIA Mozilla Common Voice प्रकल्पामध्ये $1.5 दशलक्ष गुंतवणूक करत आहे. स्पीच रेकग्निशन सिस्टीममध्ये स्वारस्य या अंदाजामुळे उद्भवते की पुढील दहा वर्षांमध्ये, व्हॉइस टेक्नॉलॉजी हे लोक संगणक आणि फोनपासून डिजिटल सहाय्यक आणि किओस्कपर्यंतच्या उपकरणांशी संवाद साधण्याचे मुख्य मार्ग बनतील.

व्हॉइस सिस्टीमचे कार्यप्रदर्शन मशीन लर्निंग मॉडेल्सच्या प्रशिक्षणासाठी उपलब्ध व्हॉइस डेटाच्या व्हॉल्यूमवर आणि विविधतेवर अवलंबून असते. आजचे व्हॉईस तंत्रज्ञान प्रामुख्याने इंग्रजी भाषेच्या ओळखीवर लक्ष केंद्रित करते आणि भाषा, उच्चार आणि भाषण नमुन्यांची विस्तृत श्रेणी कव्हर करत नाही. या गुंतवणुकीमुळे सार्वजनिक व्हॉइस डेटाच्या वाढीला गती मिळेल, अधिक समुदाय आणि स्वयंसेवकांना गुंतवण्यात आणि पूर्णवेळ प्रकल्प कर्मचार्‍यांची संख्या वाढवण्यात मदत होईल.

आम्‍ही तुम्‍हाला स्मरण करून देऊ या की कॉमन व्हॉइस प्रॉजेक्टचा उद्देश व्हॉईस पॅटर्नचा डेटाबेस जमा करण्‍यासाठी संयुक्‍त कार्य आयोजित करण्‍याच्‍या उद्देशाने आहे जो आवाज आणि बोलण्‍याच्‍या शैलीची विविधता लक्षात घेतो. वापरकर्त्यांना स्क्रीनवर प्रदर्शित व्हॉइस वाक्यांशांसाठी आमंत्रित केले जाते किंवा इतर वापरकर्त्यांनी जोडलेल्या डेटाच्या गुणवत्तेचे मूल्यांकन केले जाते. मानवी भाषणातील ठराविक वाक्प्रचारांच्या विविध उच्चारांच्या नोंदी असलेला संचित डेटाबेस मशिन लर्निंग सिस्टम आणि संशोधन प्रकल्पांमध्ये निर्बंधांशिवाय वापरला जाऊ शकतो.

कॉमन व्हॉइस सेटमध्ये सध्या 164 हून अधिक लोकांकडून उच्चार उदाहरणे समाविष्ट आहेत. सुमारे 9 हजार तासांचा व्हॉइस डेटा 60 वेगवेगळ्या भाषांमध्ये जमा झाला आहे. रशियन भाषेसाठी सेटमध्ये 1412 सहभागी आणि 111 तासांचे भाषण साहित्य आणि युक्रेनियन भाषेसाठी - 459 सहभागी आणि 30 तासांचा समावेश आहे. तुलना करण्यासाठी, 66 हजारांहून अधिक लोकांनी इंग्रजीमध्ये सामग्री तयार करण्यात भाग घेतला, 1686 तासांचे सत्यापित भाषण लिहून. प्रस्तावित सेट्सचा वापर मशीन लर्निंग सिस्टममध्ये स्पीच रेकग्निशन आणि सिंथेसिस मॉडेल्स तयार करण्यासाठी केला जाऊ शकतो. डेटा सार्वजनिक डोमेन (CC0) म्हणून प्रकाशित केला जातो.

वोस्क सतत स्पीच रेकग्निशन लायब्ररीच्या लेखकाच्या मते, कॉमन व्हॉइस सेटचे तोटे म्हणजे व्हॉइस मटेरियलचा एकतर्फीपणा (20-30 वर्षे वयोगटातील पुरुषांचे प्राबल्य आणि स्त्रियांच्या आवाजासह सामग्रीचा अभाव. , मुले आणि वृद्ध), शब्दकोशातील परिवर्तनशीलतेचा अभाव (समान वाक्यांशांची पुनरावृत्ती) आणि विकृत MP3 स्वरूपात रेकॉर्डिंगचे वितरण.

स्त्रोत: opennet.ru