Företagen NVIDIA och Mozilla har presenterat en uppdatering av röstdatapaket som samlats in genom initiativet Common Voice och innehåller uttalsexempel från 182 000 personer, vilket är en ökning med 25% jämfört med för sex månader sedan. Data publiceras som offentlig egendom (CC0). De föreslagna paketen kan användas i maskininlärningssystem för att bygga modeller för taligenkänning och talsyntes.
Jämfört med den senaste uppdateringen har volymen talmaterial i samlingen ökat från 9 till 13,9 tusen timmar tal. Antalet stödda språk har ökat från 60 till 76, inklusive stöd för belarusiska, kazakiska, uzbekiska, bulgariska, armeniska, azerbajdzjanska och baškiriska språk för första gången. Paketen för ryska språket omfattar 2136 deltagare och 173 timmar talmaterial (tidigare 1412 deltagare och 111 timmar), medan paketet för ukrainska språket omfattar 615 deltagare och 66 timmar (tidigare 459 deltagare och 30 timmar).
Över 75 000 personer deltog i förberedelsen av material på engelska, och röstade in 2637 timmar bekräftat tal (tidigare 66 000 deltagare och 1686 timmar). Intressant nog ligger språket ruanda på andra plats med en samlad datavolym på 2260 timmar. Därefter följer tyska (1040), katalanska (920) och esperanto (840). Bland de språk som mest dynamiskt ökar sin röstdatamängd nämns thailändska (20-faldig ökning av databasen, från 12 till 250 timmar), luganda (från 8 till 80 timmar), esperanto (från 100 till 840 timmar) och tamilska (från 24 till 220 timmar).
Som en del av sitt deltagande i projektet Common Voice har NVIDIA tagit fram färdigtränade modeller för maskininlärningssystem baserade på de insamlade data (stöds av PyTorch). Modellerna distribueras som en del av det gratis och öppna verktyget NVIDIA NeMo, som till exempel redan används i automatiserade rösttjänster för MTS och Sberbank. Modellerna är avsedda för användning i system för taligenkänning, talsyntes och bearbetning av information på naturligt språk, och kan vara användbara för forskare som arbetar med att skapa röstdialogsystem, plattformar för transkribering och automatiserade callcenter. Till skillnad från tidigare tillgängliga projekt begränsar sig inte de publicerade modellerna till att endast känna igen engelska språket utan omfattar olika språk, accenter och talformer.
Vi påminner om att projektet Common Voice syftar till att organisera gemensamt arbete för att samla en databas av röstmallar som tar hänsyn till all variation av röster och talstilar. Användare erbjuds att läsa in de fraser som visas på skärmen eller betygsätta kvaliteten på de data som lagts till av andra användare. Den insamlade databasen med inspelningar av olika uttal av standardfraser i mänskligt tal kan använda utan begränsningar i maskininlärningssystem och forskningsprojekt.
Enligt författaren till biblioteket för slits taligenkänning, Vosk, är nackdelarna med Common Voice-setet ensidigheten av röstmaterialet (övervikt av män mellan 20 och 30 år och bristen på material med röster från kvinnor, barn och äldre personer), avsaknaden av variation i ordförrådet (upprepning av samma fraser) och spridningen av inspelningar i destortionformatet MP3.
Källa: opennet.ru
