Mozilla Common Voice 9.0 अपडेट

Mozilla ने त्याच्या कॉमन व्हॉइस डेटासेटसाठी एक अपडेट जारी केले आहे, ज्यामध्ये जवळपास 200 लोकांचे उच्चारण नमुने समाविष्ट 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 10% वाढले - 18.2 ते 20.2 हजार तासांच्या भाषणात. समर्थित भाषांची संख्या 87 वरून 93 पर्यंत वाढली आहे. 27 भाषांसाठी, 100 तासांपेक्षा जास्त भाषण डेटा जमा केला गेला आहे आणि 9 - 500 तासांपेक्षा जास्त भाषण डेटा जमा झाला आहे. 9 भाषांसाठी कमीतकमी 45% महिलांच्या भाषणाचा वाटा प्राप्त करणे देखील शक्य होते.

81 तासांचे भाषण (तेथे 2953 हजार सहभागी आणि 79 तास होते) इंग्रजीमध्ये साहित्य तयार करण्यात 2886 हजारांहून अधिक लोकांनी भाग घेतला. बेलारशियन भाषेच्या संचामध्ये 6326 सहभागी आणि 1054 तासांचे भाषण साहित्य समाविष्ट आहे (तेथे 6160 सहभागी आणि 987 तास होते), रशियन - 2585 सहभागी आणि 201 तास (तेथे 2452 सहभागी आणि 193 तास होते), उझबेक - 1503 सहभागी आणि 231 तास तेथे 1355 सहभागी आणि 227 तास होते), युक्रेनियन भाषा - 696 सहभागी आणि 79 तास (तेथे 684 सहभागी आणि 76 तास होते).

कॉमन व्हॉइस प्रकल्पाचे उद्दिष्ट आहे की व्हॉइस पॅटर्नचा डेटाबेस जमा करण्यासाठी संयुक्त कार्य आयोजित करणे 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