🥇Mozilla Common Voice 8.0 Update

मोजिलाले आफ्नो कमन भ्वाइस डेटासेटको अपडेट जारी गरेको छ, जसमा लगभग २००,००० मानिसहरूबाट उच्चारण नमूनाहरू समावेश छन्। डाटा सार्वजनिक डोमेन (CC200) को रूपमा प्रकाशित गरिएको छ। प्रस्तावित सेटहरू मेसिन लर्निङ प्रणालीहरूमा वाक् पहिचान र संश्लेषण मोडेलहरू निर्माण गर्न प्रयोग गर्न सकिन्छ। अघिल्लो अपडेटको तुलनामा, सङ्ग्रहमा वाक् सामग्रीको मात्रा ३०% ले बढेको छ — १३.९ बाट १८.२ हजार घण्टा वाक्। समर्थित भाषाहरूको संख्या ६७ बाट ८७ पुगेको छ।

रूसी भाषा सेटमा २४५२ सहभागी र १९३ घण्टा भाषण सामग्री (२१३६ सहभागी र १७३ घण्टा थिए), बेलारूसी भाषाको लागि - ६१६० सहभागी र ९८७ घण्टा (३८३१ सहभागी र ३५६ घण्टा थिए), युक्रेनी भाषाको लागि - ६८४ सहभागी र ७६ घण्टा (६१५ सहभागी र ६६ घण्टा थिए) समावेश छन्। ७९ हजार भन्दा बढी मानिसहरूले अंग्रेजीमा सामग्री तयारीमा भाग लिए, २८८६ घण्टा पुष्टि गरिएको भाषण (७५ हजार सहभागी र २६३७ घण्टा थिए) निर्देशन दिए।

सम्झौं, कमन भ्वाइस परियोजनाको उद्देश्य आवाज टेम्प्लेटहरूको डाटाबेस सङ्कलन गर्ने संयुक्त कार्य आयोजना गर्नु हो जसले आवाज र बोली ढाँचाहरूको विविधतालाई ध्यानमा राख्छ। प्रयोगकर्ताहरूलाई स्क्रिनमा प्रदर्शित वाक्यांशहरू आवाज दिन वा अन्य प्रयोगकर्ताहरूद्वारा थपिएको डेटाको गुणस्तर मूल्याङ्कन गर्न आमन्त्रित गरिन्छ। मानव बोलीको विशिष्ट वाक्यांशहरूको विभिन्न उच्चारणहरूको रेकर्डिङ भएको संचित डाटाबेस मेसिन लर्निङ प्रणाली र अनुसन्धान परियोजनाहरूमा प्रतिबन्ध बिना प्रयोग गर्न सकिन्छ। भोस्क निरन्तर बोली पहिचान पुस्तकालयका लेखकका अनुसार, कमन भ्वाइस सेटका बेफाइदाहरू आवाज सामग्रीको एकतर्फीपन (२०-३० वर्ष उमेरका पुरुषहरूको प्रबलता, र महिला, बालबालिका र वृद्धहरूको आवाजसँग सामग्रीको अभाव), शब्दकोशको परिवर्तनशीलताको अभाव (उही वाक्यांशहरूको पुनरावृत्ति) र विकृत MP20 ढाँचामा रेकर्डिङहरूको वितरण हो।

थप रूपमा, NVIDIA NeMo 1.6 को रिलीजलाई ध्यान दिन लायक छ, जुन एक टूलकिट हो जसले वाणी पहिचान प्रणाली, वाणी संश्लेषण, र प्राकृतिक भाषा प्रशोधन सिर्जना गर्न मेसिन लर्निङ विधिहरू प्रदान गर्दछ। NeMo मा PyTorch फ्रेमवर्कमा आधारित मेसिन लर्निङ प्रणालीहरूको लागि तयार-निर्मित प्रशिक्षित मोडेलहरू समावेश छन्, जुन NVIDIA द्वारा Common Voice वाणी डेटा प्रयोग गरेर तयार पारिएको छ र विभिन्न भाषाहरू, उच्चारणहरू, र वाणी फारमहरू समेट्छ। मोडेलहरू आवाज संवाद प्रणालीहरू, ट्रान्सक्रिप्शन प्लेटफर्महरू, र स्वचालित कल सेन्टरहरू सिर्जना गर्न संलग्न अनुसन्धानकर्ताहरूको लागि उपयोगी हुन सक्छन्। उदाहरणका लागि, NVIDIA NeMo MTS र Sberbank मा स्वचालित आवाज सेवाहरूमा प्रयोग गरिन्छ। NeMo PyTorch प्रयोग गरेर पाइथनमा लेखिएको छ र Apache 2.0 लाइसेन्स अन्तर्गत वितरण गरिएको छ।

स्रोत: opennet.ru

Mozilla Common Voice 8.0 Voice Update