🥇Mozilla Common Voice 7.0 Update | प्रोहोस्टर

NVIDIA र Mozilla ले आफ्नो Common Voice डेटासेटहरूमा अद्यावधिक जारी गरेको छ, जसमा 182 मानिसहरूको बोली नमूनाहरू समावेश छन्, 25 महिना अघिको तुलनामा 6% बढी। डाटा सार्वजनिक डोमेन (CC0) को रूपमा प्रकाशित गरिएको छ। प्रस्तावित सेटहरू वाक् पहिचान र संश्लेषण मोडेलहरू निर्माण गर्न मेसिन लर्निङ प्रणालीहरूमा प्रयोग गर्न सकिन्छ।

अघिल्लो अद्यावधिकको तुलनामा, संग्रहमा भाषण सामग्रीको आकार 9 बाट 13.9 हजार घण्टा भाषणमा बढेको छ। समर्थित भाषाहरूको संख्या 60 बाट बढेर 76 भएको छ, पहिलो पटक बेलारूसी, कजाख, उज्बेक, बुल्गेरियन, आर्मेनियाली, अजरबैजानी र बाष्किर भाषाहरूको लागि समर्थन सहित। रूसी भाषाको लागि सेटले 2136 सहभागीहरू र भाषण सामग्रीको 173 घण्टा (त्यहाँ 1412 सहभागीहरू र 111 घण्टाहरू थिए), र युक्रेनी भाषाको लागि - 615 सहभागीहरू र 66 घण्टा (त्यहाँ 459 सहभागीहरू र 30 घण्टा थिए) कभर गर्दछ।

75 हजार भन्दा बढी मानिसहरूले अङ्ग्रेजीमा सामग्रीको तयारीमा भाग लिए, 2637 घण्टा पुष्टि गरिएको भाषण (त्यहाँ 66 हजार सहभागीहरू र 1686 घण्टा थिए)। चाखलाग्दो कुरा के छ भने, संचित डाटाको मात्राको हिसाबले दोस्रो स्थानमा रहेको भाषा रुवाण्डा हो, जसको लागि 2260 घण्टा सङ्कलन गरिएको छ। यसपछि जर्मन (1040), क्याटालान (920) र एस्पेरान्तो (840) छन्। भ्वाइस डाटाको आकारमा सबैभन्दा गतिशील रूपमा बढ्दो थाई भाषा (आधारमा 20 गुणा वृद्धि, 12 देखि 250 घण्टा सम्म), लुगान्डा (8 देखि 80 घण्टा सम्म), एस्पेरान्तो (100 देखि 840 घण्टा सम्म) र तमिल ( 24 देखि 220 घण्टा सम्म। घण्टा)।

Common Voice परियोजनामा आफ्नो सहभागिताको एक भागको रूपमा, NVIDIA ले सङ्कलन डेटाको आधारमा मेसिन लर्निङ प्रणालीहरू (PyTorch द्वारा समर्थित) को लागि तयार-निर्मित प्रशिक्षित मोडेलहरू तयार पारेको छ। मोडेलहरू नि: शुल्क र खुला NVIDIA NeMo टूलकिटको भागको रूपमा वितरण गरिएको छ, जुन, उदाहरणका लागि, MTS र Sberbank को स्वचालित भ्वाइस सेवाहरूमा पहिले नै प्रयोग गरिएको छ। मोडेलहरू वाक् पहिचान, वाणी संश्लेषण, र प्राकृतिक भाषा प्रशोधन प्रणालीहरूमा प्रयोगको लागि लक्षित छन्, र आवाज-सक्रिय संवाद प्रणालीहरू, ट्रान्सक्रिप्शन प्लेटफर्महरू, र स्वचालित कल केन्द्रहरू निर्माण गर्ने अनुसन्धानकर्ताहरूको लागि उपयोगी हुन सक्छ। पहिले उपलब्ध परियोजनाहरूको विपरीत, प्रकाशित मोडेलहरू अंग्रेजी भाषा पहिचानमा सीमित छैनन् र विभिन्न भाषाहरू, उच्चारणहरू र बोलीका रूपहरू समेट्छन्।

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।

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

Mozilla Common Voice 7.0 Voice Update

एक टिप्पणी थप्न Отменить ответ