As empresas NVIDIA e Mozilla apresentaram uma atualização dos conjuntos de dados de voz coletados por meio da iniciativa Common Voice, incluindo exemplos de pronúncia de 182 mil pessoas, um aumento de 25% em relação a seis meses atrás. Os dados foram divulgados como domínio público (CC0). Os conjuntos propostos podem ser usados em sistemas de aprendizado de máquina para construir modelos de reconhecimento e síntese de fala.
Em comparação com a atualização anterior, o volume de material de fala na coleção aumentou de 9 para 13,9 mil horas de fala. O número de idiomas suportados cresceu de 60 para 76, incluindo o suporte pela primeira vez a idiomas como bielorrusso, cazaque, uzbeque, búlgaro, armênio, azerbaijano e bashkir. O conjunto de dados para o idioma russo abrange 2136 participantes e 173 horas de material de fala (anteriormente eram 1412 participantes e 111 horas), enquanto para o idioma ucraniano, são 615 participantes e 66 horas (anteriormente eram 459 participantes e 30 horas).
Mais de 75 mil pessoas participaram da preparação de materiais em inglês, ditando 2637 horas de fala confirmada (anteriormente eram 66 mil participantes e 1686 horas). Curiosamente, a língua com a segunda maior quantidade de dados acumulados é o quiniaruanda, com 2260 horas. Em seguida vêm o alemão (1040), o catalão (920) e o esperanto (840). Dentre os idiomas que mais rapidamente aumentaram o tamanho dos dados de voz, destacam-se o tailandês (crescimento de 20 vezes, de 12 para 250 horas), o luanda (de 8 para 80 horas), o esperanto (de 100 para 840 horas) e o tâmil (de 24 para 220 horas).
Como parte de sua participação no projeto Common Voice, a NVIDIA preparou modelos treinados prontos para sistemas de aprendizado de máquina com base nos dados coletados (apoiado pelo PyTorch). Os modelos são distribuídos como parte da ferramenta gratuita e de código aberto NVIDIA NeMo, que, por exemplo, já está sendo utilizada em serviços de voz automatizados da MTS e do Sberbank. Os modelos são voltados para uso em sistemas de reconhecimento de fala, síntese de fala e processamento de informações em linguagem natural, podendo ser úteis para pesquisadores que desenvolvem sistemas de diálogo por voz, plataformas de transcrição e call centers automatizados. Diferente dos projetos disponíveis anteriormente, os modelos publicados não se limitam ao reconhecimento da língua inglesa e abrangem diferentes idiomas, sotaques e formas de fala.
Vale lembrar que o projeto Common Voice visa organizar o trabalho colaborativo para acumular uma base de modelos de voz que considere toda a diversidade de vozes e estilos de fala. Os usuários são convidados a gravar as frases exibidas na tela ou avaliar a qualidade dos dados adicionados por outros usuários. A base de dados acumulada com gravações de diferentes pronúncias de frases típicas da fala humana pode ser utilizada sem restrições em sistemas de aprendizado de máquina e em projetos de pesquisa.
Na opinião do autor da biblioteca de reconhecimento de fala contínua Vosk, as desvantagens do conjunto Common Voice são a unilateralidade do material de voz (predominância de pessoas do sexo masculino entre 20 e 30 anos, e a falta de material com vozes de mulheres, crianças e idosos), a ausência de variabilidade no vocabulário (repetição das mesmas frases) e a distribuição de gravações em um formato MP3 que introduz distorções.
Fonte: opennet.ru
