IT之家 admin 2022-05-03 0
本站非新闻机构,所有资讯皆分享转载自源稿单位
本周早些时候,Mozilla 宣布其 Common Voice 数据集现在包含超过20000小时的内容,世界各地的任何人都可以使用这些内容来改进他们的语音识别软件,几乎是一年前的两倍。
IT之家了解到,最新的英语数据集有 71 GB,支持的语言也比以往任何时候都多,增加了蒂格雷语、闽南语、Meadow Mari、孟加拉语、道本语和粤语。
根据 Mozilla 的说法,Common Voice 项目允许任何人为项目贡献自己的声音,从而让虚拟助手能够理解更多的口音。此外,Common Voice 项目是开源的,可确保大型科技公司无法独占,为小型开发商和公司提供了构建竞争产品和服务的机会。
Mozilla 在最新数据集版本中指出的亮点如下:
6种新语言:蒂格雷语、闽南语、Meadow Mari、孟加拉语、道本语和粤语。
27种语言至少有100小时的语音数据,包括孟加拉语、泰语、巴斯克语和弗里斯兰语。
9种语言至少有500小时的语音数据,包括基尼亚卢旺达语(2383小时)、加泰罗尼亚语(2045小时)和斯瓦希里语(719小时)。
9种语言有至少45%的性别标签为女性,包括马拉地语、迪维希语和卢干达语。