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

NVIDIA ਮੋਜ਼ੀਲਾ ਕਾਮਨ ਵਾਇਸ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ $1.5 ਮਿਲੀਅਨ ਦਾ ਨਿਵੇਸ਼ ਕਰ ਰਿਹਾ ਹੈ। ਭਾਸ਼ਣ ਪਛਾਣ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਦਿਲਚਸਪੀ ਇਸ ਭਵਿੱਖਬਾਣੀ ਤੋਂ ਪੈਦਾ ਹੁੰਦੀ ਹੈ ਕਿ ਅਗਲੇ ਦਸ ਸਾਲਾਂ ਵਿੱਚ, ਵੌਇਸ ਟੈਕਨਾਲੋਜੀ ਲੋਕਾਂ ਦੇ ਕੰਪਿਊਟਰਾਂ ਅਤੇ ਫ਼ੋਨਾਂ ਤੋਂ ਲੈ ਕੇ ਡਿਜੀਟਲ ਅਸਿਸਟੈਂਟਸ ਅਤੇ ਕਿਓਸਕ ਤੱਕ ਦੇ ਡਿਵਾਈਸਾਂ ਨਾਲ ਇੰਟਰੈਕਟ ਕਰਨ ਦੇ ਮੁੱਖ ਤਰੀਕਿਆਂ ਵਿੱਚੋਂ ਇੱਕ ਬਣ ਜਾਵੇਗੀ।

ਵੌਇਸ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਸਿਖਲਾਈ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਮਾਡਲਾਂ ਲਈ ਉਪਲਬਧ ਵੌਇਸ ਡੇਟਾ ਦੀ ਮਾਤਰਾ ਅਤੇ ਵਿਭਿੰਨਤਾ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਅੱਜ ਦੀ ਵੌਇਸ ਤਕਨਾਲੋਜੀ ਮੁੱਖ ਤੌਰ 'ਤੇ ਅੰਗਰੇਜ਼ੀ ਭਾਸ਼ਾ ਦੀ ਪਛਾਣ 'ਤੇ ਕੇਂਦ੍ਰਿਤ ਹੈ ਅਤੇ ਭਾਸ਼ਾਵਾਂ, ਲਹਿਜ਼ੇ ਅਤੇ ਬੋਲਣ ਦੇ ਪੈਟਰਨਾਂ ਦੀ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਨੂੰ ਕਵਰ ਨਹੀਂ ਕਰਦੀ ਹੈ। ਨਿਵੇਸ਼ ਜਨਤਕ ਵੌਇਸ ਡੇਟਾ ਦੇ ਵਾਧੇ ਨੂੰ ਤੇਜ਼ ਕਰਨ, ਹੋਰ ਭਾਈਚਾਰਿਆਂ ਅਤੇ ਵਲੰਟੀਅਰਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ, ਅਤੇ ਫੁੱਲ-ਟਾਈਮ ਪ੍ਰੋਜੈਕਟ ਸਟਾਫ ਦੀ ਸੰਖਿਆ ਨੂੰ ਵਧਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰੇਗਾ।

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 ਸੈੱਟ ਵਿੱਚ ਵਰਤਮਾਨ ਵਿੱਚ 164 ਤੋਂ ਵੱਧ ਲੋਕਾਂ ਦੀਆਂ ਉਚਾਰਣ ਉਦਾਹਰਨਾਂ ਸ਼ਾਮਲ ਹਨ। 9 ਵੱਖ-ਵੱਖ ਭਾਸ਼ਾਵਾਂ 'ਚ ਲਗਭਗ 60 ਹਜ਼ਾਰ ਘੰਟਿਆਂ ਦਾ ਵੌਇਸ ਡਾਟਾ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਹੈ। ਰੂਸੀ ਭਾਸ਼ਾ ਲਈ ਸੈੱਟ 1412 ਭਾਗੀਦਾਰਾਂ ਅਤੇ 111 ਘੰਟਿਆਂ ਦੀ ਭਾਸ਼ਣ ਸਮੱਗਰੀ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ, ਅਤੇ ਯੂਕਰੇਨੀ ਭਾਸ਼ਾ ਲਈ - 459 ਭਾਗੀਦਾਰ ਅਤੇ 30 ਘੰਟੇ. ਤੁਲਨਾ ਕਰਨ ਲਈ, 66 ਹਜ਼ਾਰ ਤੋਂ ਵੱਧ ਲੋਕਾਂ ਨੇ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਸਮੱਗਰੀ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਹਿੱਸਾ ਲਿਆ, 1686 ਘੰਟੇ ਪ੍ਰਮਾਣਿਤ ਭਾਸ਼ਣ ਦਾ ਨਿਰਣਾ ਕੀਤਾ। ਪ੍ਰਸਤਾਵਿਤ ਸੈੱਟਾਂ ਦੀ ਵਰਤੋਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਬੋਲੀ ਪਛਾਣ ਅਤੇ ਸੰਸਲੇਸ਼ਣ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਡੇਟਾ ਨੂੰ ਜਨਤਕ ਡੋਮੇਨ (CC0) ਵਜੋਂ 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