Podjetje Mozilla je predstavilo posodobitev naborov glasovnih podatkov Common Voice, ki vključujejo primere izgovarjanja približno 200 tisoč ljudi. Podatki so objavljeni kot javno dobro (CC0). Predlagani nabori se lahko uporabljajo v sistemih strojnega učenja za razvoj modelov za prepoznavanje in sintezo govora.
V primerjavi s prejšnjo posodobitvijo se je obseg govora v zbirki povečal za 10% — z 18,2 na 20,2 tisoč ur govora. Število podprtih jezikov se je povečalo s 87 na 93. Za 27 jezikov je zbranih več kot 100 ur glasovnih podatkov, za 9 pa več kot 500 ur glasovnih podatkov. Za 9 jezikov je bilo prav tako doseženo, da delež ženskega govora znaša vsaj 45%.
Pri pripravi materialov v angleščini je sodelovalo več kot 81 tisoč ljudi, ki so posneli 2953 ur govora (prej 79 tisoč sodelujočih in 2886 ur). Nabor za beloruščino zajema 6326 udeležencev in 1054 ur govora (prej 6160 udeležencev in 987 ur), za ruščino — 2585 udeležencev in 201 uro (prej 2452 udeležencev in 193 ur), za uzbeščino — 1503 udeležencev in 231 uro (prej 1355 udeležencev in 227 ur), za ukrajinščino — 696 udeležencev in 79 ur (prej 684 udeležencev in 76 ur).
Projekt Common Voice je usmerjen v organizacijo skupnega dela pri zbiranju baze glasovnih predlog, ki upošteva vso raznolikost glasov in načinov govora. Uporabnikom je predlagano, da glasovno posnamejo na zaslonu prikazane fraze ali ocenijo kakovost podatkov, ki so jih dodali drugi uporabniki. Zbrana baza podatkov s posnetki različnih izgovorjav običajnih fraz človeškega govora brez omejitev se lahko uporablja v sistemih strojnega učenja in v raziskovalnih projektih.
Izvor: opennet.ru
