A empresa Mozilla lançou uma atualização dos conjuntos de dados de voz Common Voice, incluindo exemplos de pronúncia de cerca de 200 mil pessoas. Os dados foram publicados como domínio público (CC0). Os conjuntos propostos podem ser usados em sistemas de aprendizado de máquina para construir modelos de reconhecimento e síntese de voz. Em comparação com a atualização anterior, o volume de material de fala na coleção aumentou em 30% — de 13,9 para 18,2 mil horas de fala. O número de idiomas suportados aumentou de 67 para 87.
O conjunto para a língua russa abrange 2452 participantes e 193 horas de material de fala (eram 2136 participantes e 173 horas), para a língua bielorrussa — 6160 participantes e 987 horas (eram 3831 participantes e 356 horas), para a língua ucraniana — 684 participantes e 76 horas (eram 615 participantes e 66 horas). Na preparação dos materiais em inglês, mais de 79 mil pessoas participaram, ditando 2886 horas de fala confirmada (eram 75 mil participantes e 2637 horas).
Lembramos que o projeto Common Voice tem como objetivo organizar o trabalho conjunto para acumular uma base de modelos de voz, levando em conta toda a diversidade de vozes e maneiras de falar. Os usuários são convidados a gravar frases exibidas na tela ou avaliar a qualidade dos dados adicionados por outros usuários. A base de dados acumulada, com gravações de diversas 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 (predomínio de homens de 20 a 30 anos e a falta de material com vozes de mulheres, crianças e idosos), a ausência de variedade lexical (repetição das mesmas frases) e a disseminação de gravações em formato MP3 que introduzem distorções.
Além disso, vale ressaltar o lançamento da ferramenta NVIDIA NeMo 1.6, que fornece métodos de aprendizado de máquina para a criação de sistemas de reconhecimento de fala, síntese de fala e processamento de linguagem natural. O NeMo inclui modelos pré-treinados para sistemas de aprendizado de máquina baseados na estrutura PyTorch, desenvolvidos pela NVIDIA utilizando dados de fala do Common Voice, abrangendo diferentes idiomas, sotaques e formas de fala. Os modelos podem ser úteis para pesquisadores envolvidos na criação de sistemas de diálogo por voz, plataformas de transcrição e call centers automatizados. Por exemplo, o NVIDIA NeMo é utilizado em serviços de voz automatizados da MTS e do Sberbank. O código do NeMo é escrito em Python utilizando PyTorch e é distribuído sob a licença Apache 2.0.
Fonte: opennet.ru
