Компании NVIDIA и Mozilla представили обновление наборов голосовых данных, собранных в результате инициативы Common Voice и включающих примеры произношения 182 тысяч людей, что на 25% больше, чем 6 месяцев назад. Данные опубликованы как общественное достояние (CC0). Предложенные наборы можно использовать в системах машинного обучения для построения моделей распознавания и синтеза речи.
По сравнению с прошлым обновлением размер объём речевого материала в коллекции увеличился с 9 до 13.9 тысяч часов речи. Число поддерживаемых языков возросло с 60 до 76, в том числе впервые добавлена поддержка Белорусского, Казахского, Узбекского, Болгарского, Армянского, Азербайджанского и Башкирского языков. Набор для русского языка охватывает 2136 участников и 173 часа речевого материала (было 1412 участников и 111 часов), а для украинского языка — 615 участников и 66 часов (было 459 участников и 30 часов).
В подготовке материалов на английском языке приняли участие более 75 тысяч человек, надиктовавших 2637 часов подтверждённой речи (было 66 тысяч участников и 1686 часов). Интересно, что на втором месте по размеру накопленных данных язык руанда, для которого собрано 2260 часов. Затем следуют немецкий (1040), каталонский (920) и эсперанто (840). Из наиболее динамично наращивающих размер голосовых данных языков называются тайский язык (рост базы в 20 раз, с 12 до 250 часов), луганда (с 8 до 80 часов), эсперанто (со 100 до 840 часов) и тамильский язык (с 24 до 220 часов).
В рамках своего участия в проекте Common Voice компания NVIDIA подготовила на базе собранных данных готовые натренированные модели для систем машинного обучения (поддерживается PyTorch). Модели распространяются в составе бесплатного и открытого инструментария NVIDIA NeMo, который, например, уже используется в автоматизированных голосовых сервисах МТС и Сбербанка. Модели ориентированы на использование в системах распознавания речи, синтеза речи и обработки информации на естественном языке, и могут оказаться полезными для исследователей, занимающихся созданием голосовых диалоговых систем, платформ для транскрипции и автоматизированных колл-центров. В отличие от доступных ранее проектов, опубликованные модели не ограничиваются распознанием английского языка и охватывают различные языки, акценты и формы речи.
Sei matou faamanatu atu ia te oe o le Poloketi Common Voice e faʻatatau i le faʻatulagaina o galuega faʻatasi e faʻaputuina se faʻamaumauga o mamanu leo e amanaia ai le eseese o leo ma sitaili tautala. E vala'aulia tagata fa'aoga e fa'aalia fuaitau o lo'o fa'aalia i luga o le lau pe iloilo le lelei o fa'amaumauga fa'aopoopo e isi tagata fa'aoga. O faʻamaumauga faʻaputuina ma faʻamaumauga o faʻauiga eseese o fuaitau masani o le tautala a tagata e mafai ona faʻaogaina e aunoa ma ni faʻatapulaʻaina i masini aʻoaʻoga ma i galuega suʻesuʻe.
E tusa ai ma le tusitala o le Vosk faʻaauau le faʻalauiloaina o tautalaga faletusi, o le le lelei o le Common Voice seti o le tasi itu o le leo mea (o le faʻateleina o tama tane 20-30 tausaga, ma le le lava o mea ma leo o tamaitai. , tamaiti ma tagata matutua), le leai o se fesuiaiga i totonu o le lomifefiloi (toe fai o fasifuaitau tutusa) ma le tufatufaina o lipine i le MP3 faʻasese.
puna: opennet.ru