ਮੋਜ਼ੀਲਾ ਕਾਮਨ ਵੌਇਸ 7.0 ਅੱਪਡੇਟ

NVIDIA ਅਤੇ Mozilla ਨੇ ਆਪਣੇ ਕਾਮਨ ਵੌਇਸ ਡੇਟਾਸੇਟਾਂ ਲਈ ਇੱਕ ਅਪਡੇਟ ਜਾਰੀ ਕੀਤਾ ਹੈ, ਜਿਸ ਵਿੱਚ 182 ਲੋਕਾਂ ਦੇ ਭਾਸ਼ਣ ਦੇ ਨਮੂਨੇ ਸ਼ਾਮਲ ਹਨ, ਜੋ ਕਿ 25 ਮਹੀਨੇ ਪਹਿਲਾਂ ਨਾਲੋਂ 6% ਵੱਧ ਹਨ। ਡੇਟਾ ਨੂੰ ਜਨਤਕ ਡੋਮੇਨ (CC0) ਵਜੋਂ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਪ੍ਰਸਤਾਵਿਤ ਸੈੱਟਾਂ ਦੀ ਵਰਤੋਂ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਬੋਲੀ ਪਛਾਣ ਅਤੇ ਸੰਸਲੇਸ਼ਣ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।

ਪਿਛਲੇ ਅਪਡੇਟ ਦੇ ਮੁਕਾਬਲੇ, ਸੰਗ੍ਰਹਿ ਵਿੱਚ ਭਾਸ਼ਣ ਸਮੱਗਰੀ ਦਾ ਆਕਾਰ 9 ਤੋਂ ਵੱਧ ਕੇ 13.9 ਹਜ਼ਾਰ ਘੰਟੇ ਦੇ ਭਾਸ਼ਣ ਤੱਕ ਪਹੁੰਚ ਗਿਆ ਹੈ। ਸਮਰਥਿਤ ਭਾਸ਼ਾਵਾਂ ਦੀ ਗਿਣਤੀ 60 ਤੋਂ ਵਧ ਕੇ 76 ਹੋ ਗਈ ਹੈ, ਜਿਸ ਵਿੱਚ ਬੇਲਾਰੂਸੀਅਨ, ਕਜ਼ਾਖ, ਉਜ਼ਬੇਕ, ਬੁਲਗਾਰੀਆਈ, ਅਰਮੀਨੀਆਈ, ਅਜ਼ਰਬਾਈਜਾਨੀ ਅਤੇ ਬਸ਼ਕੀਰ ਭਾਸ਼ਾਵਾਂ ਲਈ ਪਹਿਲੀ ਵਾਰ ਸਮਰਥਨ ਸ਼ਾਮਲ ਹੈ। ਰੂਸੀ ਭਾਸ਼ਾ ਲਈ ਸੈੱਟ 2136 ਭਾਗੀਦਾਰਾਂ ਅਤੇ 173 ਘੰਟਿਆਂ ਦੀ ਭਾਸ਼ਣ ਸਮੱਗਰੀ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ (ਇੱਥੇ 1412 ਭਾਗੀਦਾਰ ਅਤੇ 111 ਘੰਟੇ ਸਨ), ਅਤੇ ਯੂਕਰੇਨੀ ਭਾਸ਼ਾ ਲਈ - 615 ਭਾਗੀਦਾਰ ਅਤੇ 66 ਘੰਟੇ (ਇੱਥੇ 459 ਭਾਗੀਦਾਰ ਅਤੇ 30 ਘੰਟੇ ਸਨ)।

75 ਹਜ਼ਾਰ ਤੋਂ ਵੱਧ ਲੋਕਾਂ ਨੇ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਸਮੱਗਰੀ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਹਿੱਸਾ ਲਿਆ, 2637 ਘੰਟਿਆਂ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਭਾਸ਼ਣ (66 ਹਜ਼ਾਰ ਭਾਗੀਦਾਰ ਅਤੇ 1686 ਘੰਟੇ ਸਨ) ਦਾ ਨਿਰਦੇਸ਼ਨ ਕੀਤਾ। ਦਿਲਚਸਪ ਗੱਲ ਇਹ ਹੈ ਕਿ ਇਕੱਤਰ ਕੀਤੇ ਡੇਟਾ ਦੀ ਮਾਤਰਾ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਦੂਜੇ ਸਥਾਨ 'ਤੇ ਭਾਸ਼ਾ ਰਵਾਂਡਾ ਹੈ, ਜਿਸ ਲਈ 2260 ਘੰਟੇ ਇਕੱਠੇ ਕੀਤੇ ਗਏ ਹਨ। ਇਸ ਤੋਂ ਬਾਅਦ ਜਰਮਨ (1040), ਕੈਟਲਨ (920) ਅਤੇ ਐਸਪੇਰਾਂਟੋ (840) ਦਾ ਨੰਬਰ ਆਉਂਦਾ ਹੈ। ਵੌਇਸ ਡੇਟਾ ਦੇ ਆਕਾਰ ਵਿਚ ਸਭ ਤੋਂ ਵੱਧ ਗਤੀਸ਼ੀਲ ਤੌਰ 'ਤੇ ਵਧ ਰਹੀ ਥਾਈ ਭਾਸ਼ਾ (ਬੇਸ ਵਿਚ 20 ਗੁਣਾ ਵਾਧਾ, 12 ਤੋਂ 250 ਘੰਟਿਆਂ ਤੱਕ), ਲੁਗਾਂਡਾ (8 ਤੋਂ 80 ਘੰਟਿਆਂ ਤੱਕ), ਐਸਪੇਰਾਂਟੋ (100 ਤੋਂ 840 ਘੰਟਿਆਂ ਤੱਕ) ਅਤੇ ਤਾਮਿਲ ( 24 ਤੋਂ 220 ਘੰਟਿਆਂ ਤੱਕ) ਘੰਟੇ)।

ਕਾਮਨ ਵੌਇਸ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚ ਆਪਣੀ ਭਾਗੀਦਾਰੀ ਦੇ ਹਿੱਸੇ ਵਜੋਂ, NVIDIA ਨੇ ਇਕੱਤਰ ਕੀਤੇ ਡੇਟਾ ਦੇ ਅਧਾਰ 'ਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਪ੍ਰਣਾਲੀਆਂ (ਪਾਈਟੋਰਚ ਦੁਆਰਾ ਸਮਰਥਿਤ) ਲਈ ਤਿਆਰ-ਕੀਤੀ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲ ਤਿਆਰ ਕੀਤੇ। ਮਾਡਲਾਂ ਨੂੰ ਮੁਫਤ ਅਤੇ ਖੁੱਲ੍ਹੀ NVIDIA NeMo ਟੂਲਕਿੱਟ ਦੇ ਹਿੱਸੇ ਵਜੋਂ ਵੰਡਿਆ ਜਾਂਦਾ ਹੈ, ਜੋ ਕਿ, ਉਦਾਹਰਨ ਲਈ, ਪਹਿਲਾਂ ਹੀ MTS ਅਤੇ Sberbank ਦੀਆਂ ਸਵੈਚਲਿਤ ਵੌਇਸ ਸੇਵਾਵਾਂ ਵਿੱਚ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਮਾਡਲ ਸਪੀਚ ਰਿਕੋਗਨੀਸ਼ਨ, ਸਪੀਚ ਸਿੰਥੇਸਿਸ, ਅਤੇ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਵਰਤਣ ਲਈ ਤਿਆਰ ਕੀਤੇ ਗਏ ਹਨ, ਅਤੇ ਆਵਾਜ਼-ਸਰਗਰਮ ਸੰਵਾਦ ਪ੍ਰਣਾਲੀਆਂ, ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਪਲੇਟਫਾਰਮਾਂ, ਅਤੇ ਸਵੈਚਲਿਤ ਕਾਲ ਸੈਂਟਰਾਂ ਨੂੰ ਬਣਾਉਣ ਵਾਲੇ ਖੋਜਕਰਤਾਵਾਂ ਲਈ ਉਪਯੋਗੀ ਹੋ ਸਕਦੇ ਹਨ। ਪਹਿਲਾਂ ਉਪਲਬਧ ਪ੍ਰੋਜੈਕਟਾਂ ਦੇ ਉਲਟ, ਪ੍ਰਕਾਸ਼ਿਤ ਮਾਡਲ ਅੰਗਰੇਜ਼ੀ ਭਾਸ਼ਾ ਦੀ ਪਛਾਣ ਤੱਕ ਸੀਮਿਤ ਨਹੀਂ ਹਨ ਅਤੇ ਵੱਖ-ਵੱਖ ਭਾਸ਼ਾਵਾਂ, ਲਹਿਜ਼ੇ ਅਤੇ ਭਾਸ਼ਣ ਦੇ ਰੂਪਾਂ ਨੂੰ ਕਵਰ ਕਰਦੇ ਹਨ।

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।

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