Компания Mozilla представила обновление наборов голосовых данных Common Voice, включающих примеры произношения около 200 тысяч человек. 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 объём речевого материала в коллекции увеличился на 10% - с 18.2 до 20.2 тысяч часов речи. Число поддерживаемых языков возросло с 87 до 93. Для 27 языков накоплено более 100 часов речевых данных, а для 9 - более 500 часов речевых данных. Для 9 языков также удалось добиться доли женской речи, составляющей как минимум 45%.

В подготовке материалов на английском языке приняли участие более 81 тысяч человек, надиктовавших 2953 часов речи (было 79 тысяч участников и 2886 часов). Набор для белорусского языка охватывает 6326 участников и 1054 часа речевого материала (было - 6160 участников и 987 часов), русского языка - 2585 участников и 201 час (было 2452 участника и 193 часа), узбекского - 1503 участника и 231 час (было 1355 участников и 227 часов), украинского языка - 696 участников и 79 часов (было 684 участника и 76 часов).

Проект Common Voice нацелен на организацию совместной работы по накоплению базы голосовых шаблонов, учитывающей всё разнообразие голосов и манер речи. Пользователям предлагается озвучить выводимые на экран фразы или оценить качество данных, добавленных другими пользователями. Накопленную базу данных c записями различного произношения типовых фраз человеческой речи без ограничений можно использовать в системах машинного обучения и в исследовательских проектах.