Компания NVIDIA инвестирует 1.5 млн долларов в проект Mozilla Common Voice. Интерес к системам распознавания речи связан с прогнозом, что в следующие десять лет голосовые технологии станут одним из основных способов взаимодействия людей с различными устройствами, от компьютеров и телефонов, до цифровых ассистентов и киосков для продажи товаров.
Качество работы голосовых систем сильно зависит от объёма и разнообразия голосовых данных, доступных для тренировки моделей машинного обучения. Сегодняшние голосовые технологии в основном сосредоточены на распознании английского языка и не охватывают огромное количество языков, акцентов и моделей речи. Инвестиции помогут ускорить наращивание объёма общедоступных голосовых данных, привлечь к работе больше сообществ и волонтёров, а также расширить число сотрудников, занимающихся проектом в основное рабочее время.
हामी तपाईंलाई सम्झाउने गरौं कि Common Voice परियोजना आवाज र बोली शैलीहरूको विविधतालाई ध्यानमा राखेर आवाज ढाँचाहरूको डाटाबेस जम्मा गर्न संयुक्त कार्यलाई व्यवस्थित गर्ने उद्देश्यले हो। प्रयोगकर्ताहरूलाई स्क्रिनमा प्रदर्शित भ्वाइस वाक्यांशहरू वा अन्य प्रयोगकर्ताहरूले थपेको डेटाको गुणस्तर मूल्याङ्कन गर्न आमन्त्रित गरिन्छ। मानव बोलीको विशिष्ट वाक्यांशहरूको विभिन्न उच्चारणहरूको रेकर्डको साथ संचित डाटाबेस मेसिन लर्निंग प्रणाली र अनुसन्धान परियोजनाहरूमा प्रतिबन्ध बिना प्रयोग गर्न सकिन्छ।
В настоящее время набор Common Voice включает примеры произношения более 164 тысяч людей. Накоплено около 9 тысяч часов голосовых данных на 60 различных языках. Набор для русского языка охватывает 1412 участников и 111 часов речевого материала, а для украинского языка — 459 участников и 30 часов. Для сравнения в подготовке материалов на английском языке приняли участие более 66 тысяч человек, надиктовавших 1686 часов подтверждённой речи. Предложенные наборы можно использовать в системах машинного обучения для построения моделей распознавания и синтеза речи. Данные опубликованы как общественное достояние (CC0).
Vosk लगातार वाक् पहिचान पुस्तकालयका लेखकका अनुसार, साझा आवाज सेटको हानि भनेको आवाज सामग्रीको एकतर्फीपन हो (20-30 वर्ष पुरानो पुरुषहरूको प्रबलता, र महिलाहरूको आवाजसँग सामग्रीको अभाव। , बालबालिका र वृद्धहरू), शब्दकोशमा परिवर्तनशीलताको कमी (सही वाक्यांशहरूको दोहोरिने) र विकृत MP3 ढाँचामा रेकर्डिङको वितरण।
स्रोत: opennet.ru