NVIDIA ਮੋਜ਼ੀਲਾ ਕਾਮਨ ਵਾਇਸ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ $1.5 ਮਿਲੀਅਨ ਦਾ ਨਿਵੇਸ਼ ਕਰਦਾ ਹੈ

NVIDIA ਮੋਜ਼ੀਲਾ ਕਾਮਨ ਵੌਇਸ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ $1.5 ਮਿਲੀਅਨ ਦਾ ਨਿਵੇਸ਼ ਕਰ ਰਿਹਾ ਹੈ। ਸਪੀਚ ਰਿਕੋਗਨੀਸ਼ਨ ਸਿਸਟਮ ਵਿੱਚ ਦਿਲਚਸਪੀ ਇਸ ਭਵਿੱਖਬਾਣੀ ਤੋਂ ਪੈਦਾ ਹੁੰਦੀ ਹੈ ਕਿ ਅਗਲੇ ਦਸ ਸਾਲਾਂ ਦੇ ਅੰਦਰ, ਵੌਇਸ ਤਕਨਾਲੋਜੀ ਲੋਕਾਂ ਦੇ ਕੰਪਿਊਟਰਾਂ ਅਤੇ ਫੋਨਾਂ ਤੋਂ ਲੈ ਕੇ ਡਿਜੀਟਲ ਅਸਿਸਟੈਂਟ ਅਤੇ ਵੈਂਡਿੰਗ ਮਸ਼ੀਨਾਂ ਤੱਕ, ਵੱਖ-ਵੱਖ ਡਿਵਾਈਸਾਂ ਨਾਲ ਗੱਲਬਾਤ ਕਰਨ ਦੇ ਮੁੱਖ ਤਰੀਕਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਬਣ ਜਾਵੇਗੀ।

ਵੌਇਸ ਸਿਸਟਮਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਸਿਖਲਾਈ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਮਾਡਲਾਂ ਲਈ ਉਪਲਬਧ ਵੌਇਸ ਡੇਟਾ ਦੀ ਮਾਤਰਾ ਅਤੇ ਵਿਭਿੰਨਤਾ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਮੌਜੂਦਾ ਵੌਇਸ ਤਕਨਾਲੋਜੀਆਂ ਮੁੱਖ ਤੌਰ 'ਤੇ ਅੰਗਰੇਜ਼ੀ ਭਾਸ਼ਾ ਦੀ ਪਛਾਣ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਹਨ ਅਤੇ ਭਾਸ਼ਾਵਾਂ, ਲਹਿਜ਼ੇ ਅਤੇ ਬੋਲੀ ਦੇ ਪੈਟਰਨਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਨੂੰ ਕਵਰ ਨਹੀਂ ਕਰਦੀਆਂ ਹਨ। ਨਿਵੇਸ਼ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਵੌਇਸ ਡੇਟਾ ਦੇ ਵਿਕਾਸ ਨੂੰ ਤੇਜ਼ ਕਰਨ, ਵਧੇਰੇ ਭਾਈਚਾਰਿਆਂ ਅਤੇ ਵਲੰਟੀਅਰਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ, ਅਤੇ ਪੂਰੇ ਸਮੇਂ ਦੇ ਪ੍ਰੋਜੈਕਟ ਸਟਾਫ ਦੀ ਗਿਣਤੀ ਵਧਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਨਗੇ।

ਆਉ ਅਸੀਂ ਤੁਹਾਨੂੰ ਯਾਦ ਦਿਵਾਉਂਦੇ ਹਾਂ ਕਿ ਕਾਮਨ ਵੌਇਸ ਪ੍ਰੋਜੈਕਟ ਦਾ ਉਦੇਸ਼ ਆਵਾਜ਼ ਦੇ ਪੈਟਰਨਾਂ ਦੇ ਇੱਕ ਡੇਟਾਬੇਸ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਲਈ ਸਾਂਝੇ ਕੰਮ ਦਾ ਆਯੋਜਨ ਕਰਨਾ ਹੈ ਜੋ ਆਵਾਜ਼ਾਂ ਅਤੇ ਬੋਲਣ ਦੀਆਂ ਸ਼ੈਲੀਆਂ ਦੀ ਵਿਭਿੰਨਤਾ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਦਾ ਹੈ। ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਸਕ੍ਰੀਨ 'ਤੇ ਪ੍ਰਦਰਸ਼ਿਤ ਵੌਇਸ ਵਾਕਾਂਸ਼ਾਂ ਜਾਂ ਦੂਜੇ ਉਪਭੋਗਤਾਵਾਂ ਦੁਆਰਾ ਸ਼ਾਮਲ ਕੀਤੇ ਗਏ ਡੇਟਾ ਦੀ ਗੁਣਵੱਤਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਲਈ ਸੱਦਾ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਮਨੁੱਖੀ ਭਾਸ਼ਣ ਦੇ ਆਮ ਵਾਕਾਂਸ਼ਾਂ ਦੇ ਵੱਖ-ਵੱਖ ਉਚਾਰਨਾਂ ਦੇ ਰਿਕਾਰਡਾਂ ਦੇ ਨਾਲ ਇਕੱਤਰ ਕੀਤੇ ਡੇਟਾਬੇਸ ਨੂੰ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਪ੍ਰਣਾਲੀਆਂ ਅਤੇ ਖੋਜ ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਪਾਬੰਦੀਆਂ ਤੋਂ ਬਿਨਾਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਕਾਮਨ ਵੌਇਸ ਡੇਟਾਸੇਟ ਵਿੱਚ ਵਰਤਮਾਨ ਵਿੱਚ 164 ਤੋਂ ਵੱਧ ਲੋਕਾਂ ਦੇ ਉਚਾਰਨ ਦੇ ਨਮੂਨੇ ਸ਼ਾਮਲ ਹਨ, ਜਿਸ ਵਿੱਚ 60 ਵੱਖ-ਵੱਖ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਲਗਭਗ 9 ਘੰਟੇ ਦਾ ਵੌਇਸ ਡੇਟਾ ਸ਼ਾਮਲ ਹੈ। ਰੂਸੀ ਡੇਟਾਸੇਟ ਵਿੱਚ 1412 ਭਾਗੀਦਾਰ ਅਤੇ 111 ਘੰਟੇ ਦੀ ਭਾਸ਼ਣ ਸਮੱਗਰੀ ਸ਼ਾਮਲ ਹੈ, ਜਦੋਂ ਕਿ ਯੂਕਰੇਨੀ ਡੇਟਾਸੇਟ ਵਿੱਚ 459 ਭਾਗੀਦਾਰ ਅਤੇ 30 ਘੰਟੇ ਸ਼ਾਮਲ ਹਨ। ਤੁਲਨਾ ਲਈ, 66 ਤੋਂ ਵੱਧ ਲੋਕਾਂ ਨੇ ਅੰਗਰੇਜ਼ੀ ਡੇਟਾਸੇਟ ਵਿੱਚ 1686 ਘੰਟੇ ਦੀ ਪ੍ਰਮਾਣਿਤ ਭਾਸ਼ਣ ਦਾ ਯੋਗਦਾਨ ਪਾਇਆ। ਇਹਨਾਂ ਡੇਟਾਸੇਟਾਂ ਨੂੰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਭਾਸ਼ਣ ਪਛਾਣ ਅਤੇ ਸੰਸਲੇਸ਼ਣ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਡੇਟਾ ਜਨਤਕ ਡੋਮੇਨ (CC0) ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ।

ਵੋਸਕ ਨਿਰੰਤਰ ਭਾਸ਼ਣ ਮਾਨਤਾ ਲਾਇਬ੍ਰੇਰੀ ਦੇ ਲੇਖਕ ਦੇ ਅਨੁਸਾਰ, ਕਾਮਨ ਵੌਇਸ ਸੈੱਟ ਦੇ ਨੁਕਸਾਨ ਆਵਾਜ਼ ਸਮੱਗਰੀ ਦੀ ਇਕਪਾਸੜਤਾ ਹੈ (20-30 ਸਾਲ ਦੀ ਉਮਰ ਦੇ ਮਰਦ ਲੋਕਾਂ ਦੀ ਪ੍ਰਮੁੱਖਤਾ, ਅਤੇ ਔਰਤਾਂ ਦੀਆਂ ਆਵਾਜ਼ਾਂ ਨਾਲ ਸਮੱਗਰੀ ਦੀ ਘਾਟ , ਬੱਚੇ ਅਤੇ ਬਜ਼ੁਰਗ), ਸ਼ਬਦਕੋਸ਼ ਵਿੱਚ ਪਰਿਵਰਤਨਸ਼ੀਲਤਾ ਦੀ ਘਾਟ (ਸਹੀ ਵਾਕਾਂਸ਼ਾਂ ਦੀ ਦੁਹਰਾਓ) ਅਤੇ ਵਿਗਾੜਨ ਵਾਲੇ MP3 ਫਾਰਮੈਟ ਵਿੱਚ ਰਿਕਾਰਡਿੰਗਾਂ ਦੀ ਵੰਡ।

ਸਰੋਤ: opennet.ru