Spoločnosť Mozilla predstavila aktualizáciu súborov hlasových údajov Common Voice, ktoré obsahujú príklady výslovnosti od približne 200 tisíc ľudí. Údaje sú zverejnené ako verejný majetok (CC0). Navrhnuté súbory sa dajú využiť v systémoch strojového učenia na budovanie modelov rozpoznávania a syntézy reči. V porovnaní s predchádzajúcou aktualizáciou sa objem rečového materiálu v kolekcii zvýšil o 30% — z 13,9 na 18,2 tisíc hodín reči. Počet podporovaných jazykov vzrástol z 67 na 87.
Súbor pre ruský jazyk pokrýva 2452 účastníkov a 193 hodín rečového materiálu (bolo 2136 účastníkov a 173 hodín), pre bieloruský jazyk — 6160 účastníkov a 987 hodín (bolo — 3831 účastník a 356 hodín), pre ukrajinský jazyk — 684 účastníkov a 76 hodín (bolo 615 účastníkov a 66 hodín). Pri príprave materiálov v anglickom jazyku sa zúčastnilo viac ako 79 tisíc ľudí, ktorí nadiktovali 2886 hodín potvrdenej reči (bolo 75 tisíc účastníkov a 2637 hodín).
Pripomíname, že projekt Common Voice je zameraný na organizáciu spolupráce pri zhromažďovaní databázy hlasových šablón, ktorá zohľadňuje všetky rôznosti hlasov a spôsobov reči. Používateľom sa ponúka, aby ozvučili na obrazovke zobrazené frázy alebo ohodnotili kvalitu údajov pridaných inými používateľmi. Zhromaždenú databázu so záznamami rôznej výslovnosti typických fráz ľudskej reči bez obmedzení je možné využiť v systémoch strojového učenia a vo výskumných projektoch. Podľa autora knižnice na rozpoznávanie súvislej reči Vosk sú nedostatkami súboru Common Voice jednostrannosť hlasového materiálu (prevaha mužských hlasov vo veku 20-30 rokov a nedostatok materiálu s hlasmi žien, detí a starších ľudí), absencia variabilnosti slovníka (opakované rovnaké frázy) a šírenie záznamov v formáte MP3 s deformovaním zvuku.
Ďalším dôležitým aspektom je vydanie nástroja NVIDIA NeMo 1.6, ktorý poskytuje metódy strojového učenia na vytváranie systémov rozpoznávania reči, syntézy reči a spracovania informácií v prirodzenom jazyku. NeMo zahŕňa hotové natrénované modely pre systémy strojového učenia založené na frameworku PyTorch, pripravené spoločnosťou NVIDIA s využitím rečových údajov z Common Voice a zahrňujúce rôzne jazyky, prízvuky a formy reči. Modely môžu byť užitočné pre výskumníkov pracujúcich na vývoji hlasových dialógových systémov, platforiem pre transkripciu a automatizované call centrá. Napríklad, NVIDIA NeMo sa používa v automatizovaných hlasových službách MTS a Sberbank. Kód NeMo je napísaný v programovacom jazyku Python s využitím PyTorch a je distribuovaný pod licenciou Apache 2.0.
Zdroj: opennet.ru
