臺北2019年5月8日 /美通社/ -- 開發(fā)開源 Firefox 瀏覽器的非營利組織 Mozilla 宣布,其所推動之最大語音資料募集計劃 -- Common Voice 平臺已正式支援簡體中文。在廣大的 Mozilla 社群及語言專家伙伴的辛勤努力下,從現在開始,網友可到 Common Voice 的簡中網站(https://voice.mozilla.org/zh-CN)錄制音檔。
語音介面是網際網路未來大勢之所趨。車用語音助理、智慧手表、智慧燈泡等,內建語音辨識技術的裝置可謂與日俱增。然而,相關技術的創(chuàng)新仍面臨重大阻礙 -- 有意打造語音輔助方案的新創(chuàng)公司、研究人員或各種開發(fā)者都需取得大量、轉錄為文字的語音數據,才能訓練機器學習的演算法。但現有公開語音資料集的語音資料量與支援語種數都極其有限,而私有的語音資料不但僅掌握在少數幾家公司手中,而且費用高昂。
有鑒于此,Mozilla 自2017年6月起展開 Common Voice 計劃,希望建立全球化的開源語音語料庫,以因應語音介面的發(fā)展需求并突破現階段的市場局限。Mozilla 認為,此類介面不該只把持在少數幾家握有語音服務技術的廠商手中,而且,Mozilla 希望能讓使用者以自己的語言和熟悉的腔調來吸收和了解資訊。
已收集包括漢語(簡中)在內的27種語音資料
Common Voice 在2018年6月開始收集多語語音資料。從那時起,此專案便不斷壯大,變得更全球化、更具包容性。在過去10個月間,大批的熱血貢獻者踴躍響應,已在 Common Voice 網站上發(fā)起27種語言音檔的收集計劃,另外還有高達72種語言的錄音計劃正在進行中。
最新加入的語言是漢語(簡體中文)?,F在,世界各地的網友都可到 https://voice.mozilla.org/zh-CN 網站捐聲音,或驗證其他人錄音的音檔。
語音貢獻者還可選擇保留專案紀錄,以掌握自己的錄音紀錄。此外,他們也可選擇提供人口特征資訊,以協助 Mozilla 改善用以訓練語音識別引擎的語音資料。
一如 Common Voice 收集的其他語言資料,Mozilla 對于漢語(簡中)的目標是要累積約1萬小時之通過驗證的音檔,因為1萬小時的音檔量才足以訓練出完備的語音辨識系統。除此以外,這還附帶另一個好處:所有人都可“同聲”一氣,共同推動語音辨識技術的進展。無論在上班途中、在公車上、午休時間、在家里,或與親朋好友齊聚一堂時,不管是透過 voice.mozilla.org 網站或 iOS 應用,只要有手機或電腦,就能捐聲音或驗證其他人的音檔。
Mozilla 開源創(chuàng)新計劃總監(jiān) George Roter 表示:“就算一個人只錄或聽幾秒鐘的音檔,但若貢獻者多達數十萬,加起來的資料量就非常驚人!當更多人都愿意出一份力時,這套語音資料集的價值就能更快提升。”
釋出多語語音資料集
Mozilla 將一本初衷、繼續(xù)充實語音資料集的內涵,使其成為人人可用的公有資源。Mozilla 已于今年二月釋出第一批的多語語音資料集,其中共涵蓋18種語言的錄音音檔,包括:英文、法文、德文和華語(正體中文)等廣泛通行的語言,以及威爾斯語及卡拜爾語等較為冷門的語言。Common Voice 至今已收集逾4.2萬人貢獻的錄音,總長度約1,400小時,且語音資料量仍持續(xù)成長中。
在此資料集釋出后,Common Voice 的規(guī)模已超越其他同類型的語音資料集,并已將數萬人的錄音音檔及對應文字開放給公眾使用(采 CC0 授權)。任何人都可到 Common Voice 網站下載完整的語音資料集。
George Roter 進一步表示:“Mozilla 致力于促進更多元創(chuàng)新之語音科技生態(tài)系的發(fā)展。我們不但希望能自行推出語音技術的產品,也立志傾力支援研究人員及小公司的發(fā)展,在建立全球最大公共的多語語音資料集的過程中,我們很榮幸得到越來越多人的幫助,也很感謝志愿者的熱情相挺,讓我們成功展開對于簡體中文的支持?!?/p>