Mozilla Common Voice 20 अपडेट

Mozilla ने 200 हून अधिक लोकांचे उच्चारण नमुने समाविष्ट करण्यासाठी त्यांचे कॉमन व्हॉइस डेटासेट अपडेट केले आहेत. डेटा सार्वजनिक डोमेन (CC0) म्हणून प्रकाशित केला जातो. प्रस्तावित सेट्सचा वापर मशीन लर्निंग सिस्टममध्ये स्पीच रेकग्निशन आणि सिंथेसिस मॉडेल्स तयार करण्यासाठी केला जाऊ शकतो. मागील अद्यतनाच्या तुलनेत, संग्रहातील भाषण सामग्रीचे प्रमाण 32.6 वरून 33.1 हजार तासांच्या भाषणापर्यंत वाढले, त्यापैकी 22.1 हजार तासांनी सत्यापन प्रक्रिया पार केली. समर्थित भाषांची संख्या 129 वरून 133 पर्यंत वाढली आहे, ज्यामध्ये अरागोनीज, इसिंदेबेले, दक्षिणी सोथो आणि तुपुरी यांचा समावेश आहे.

९४.९ हजार लोकांनी ३६३१ तासांचे भाषण (तेथे ९३.९ हजार सहभागी आणि ३५८७ तास) इंग्रजीत साहित्य तयार करण्यात भाग घेतला. बेलारशियन भाषेच्या सेटमध्ये 94.9 सहभागी आणि 3631 तासांचे भाषण साहित्य (तेथे 93.9 सहभागी आणि 3587 तास होते), रशियन - 8521 सहभागी आणि 1860 तास (तेथे 8444 सहभागी आणि 1846 तास होते), उझबेक - 3365 सहभागी आणि 281 तास तेथे 3296 सहभागी आणि 278 तास होते), युक्रेनियन भाषा - 2211 सहभागी आणि 265 तास (होते 2200 सहभागी आणि 265 तास).

कॉमन व्हॉइस प्रोजेक्ट व्हॉईस पॅटर्नचा डेटाबेस जमा करण्यासाठी संयुक्त कार्य आयोजित करतो जे आवाज आणि उच्चार शैलीतील विविधता लक्षात घेते. 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 मशीन लर्निंग सिस्टम आणि संशोधन प्रकल्पांमध्ये निर्बंधांशिवाय वापरला जाऊ शकतो.

स्त्रोत: opennet.ru