最近 NVIDIAとMozillaは、「Mozilla CommonVoice7.0」の新バージョンのリリースを発表しました これは、集合的な起源の13.000時間以上の音声データと、さらに16の言語の追加を表しています。 前回の更新と比較して、のサイズ 材料量 コレクションで話す ほぼ50％増加しています。
さらに、 サポートされている言語の数が60から76に増えました、ベラルーシ語、カザフ語、ウズベク語、ブルガリア語、アルメニア語、アゼルバイジャン語、バシキール語の追加サポートを初めて含みます。
Common Voiceに慣れていない人は、eこれはオープンデータの音声データセットです 世界最大であり、音声技術を民主化するように設計されています。 研究者、学者、開発者によって使用されます 世界中で。
従業員は自分のコミュニティを動員して音声データを寄付します MCVの公開データベースにアクセスします。このデータベースを使用して、音声対応テクノロジーをトレーニングできます。 NVIDIAコラボレーションの一環としてcMozilla Common Voiceで、 この公開データセットおよびその他の公開データセットでトレーニングされたモデルは無料で利用できます NVIDIANeMoと呼ばれるオープンソースツールキットを介して。
プロジェクト 音声テンプレートのデータベースを蓄積するための共同作業を整理することを目的としています、さまざまな声や話し方をすべて考慮に入れます。 人間の発話に典型的なフレーズのさまざまな発音の記録を含む蓄積されたデータベースは、機械学習システムや研究プロジェクトで制限なく使用できます。
Vosk連続音声認識ライブラリの作成者によると、Common Voiceセットの欠点は、音声素材の一方的なものです（20代と30代の男性の優位性と、女性、子供たちの声の素材の欠如です。および高齢者）、語彙の変動性の欠如（同じフレーズの繰り返し）および歪みが発生しやすいMP3録音の分布。
Common Voice7.0の新バージョンについて
この新しいバージョンでは 75人以上が参加しました 英語の資料の作成において、2637時間の確認されたスピーチを指示しました（66万1686千人の参加者とXNUMX時間でした）。
また、冒頭で述べたように、 この新しいバージョンでは、16の新しい言語が導入されています 合計76の言語のCommonVoiceデータセットに入力します。そのうち、合計時間で上位2.630つの言語は、英語（2.260時間）、ルワンダ語（1.040）、ドイツ語（920）、カタロニア語（840）、エスペラント語（XNUMX）です。
割合が最も増加している言語はタイ語です （ほぼ20倍の成長、12時間から250時間）、ルガンダ語（9倍の成長、8時間から80時間）、 エスペラント （7時間から100時間までの840倍以上の成長） とタミル語 （8時間から24時間までの220倍以上の成長）。 不思議なことに、 ルワンダは累積データでXNUMX番目にランクされています、2260時間が収集されました。 続いて、ドイツ語（1040）、カタロニア語（920）、エスペラント語（840）が続きます。 データセットには現在、182,000を超える独自の声が含まれており、納税者コミュニティはわずか25か月でXNUMX％成長しています。
プロジェクトへの参加の一環として、 NVIDIAは、機械学習システム用にすぐに使用できるトレーニング済みモデルを用意しています 収集されたデータに基づく（PyTorchと互換性があります）。 モデルは、無料でオープンなNVIDIA NeMoツールの一部として配布されます。このツールは、たとえば、MTSやSberbankの自動音声サービスですでに使用されています。
モデルは 自然言語での音声認識、音声合成、情報処理システムを目的としています また、音声対話システム、音声文字変換プラットフォーム、自動コールセンターの設計の研究者にも役立ちます。 以前に利用可能なプロジェクトとは異なり、公開されたモデルは英語の認識に限定されず、さまざまな言語、アクセント、およびスピーチの形式をカバーします。
最後に あなたがそれについてもっと知りたいなら、詳細はで確認できます 次のリンク。