Mozilla開源語音收集計劃Common Voice擴大支援漢語普通話
● Mozilla 開始收集大陸地區漢語語音資料,更進一步充實其公開語音資料集
● 現已收集 27 種不同語言的語音檔案,並將再擴大支援 72 種語言
● Common Voice 是史上最大的開源語音轉錄文字資料集,其最新發布的資料庫包括來自超過 4.2 萬貢獻者的 18 種語言錄製的語音檔案,總長近 1,400 小時
語音介面是網際網路未來的大勢所趨。車載語音助理、智慧手錶、智慧燈泡等等……內建語音識別技術的裝置可謂與日俱增。然而,相關技術的創新仍面臨著重大阻礙:有意打造語音輔助方案的創新公司、研究人員或各種開發者都需取得大量轉錄為文字的語音資料,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,其費用還很高。
因此,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資料庫,以應對語音介面的發展需求並突破現階段的市場侷限。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,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(普通話)在內的 27 種語音資料
Common Voice 在 2018 年 6 月開始收集多語言語音資料。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 網站上發起 27 種語言的語音檔案收集計劃,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(普通話)。現在,世界各地的網友都可以到 https://voice.mozilla.org/zh-CN 網站“捐獻聲音”,或驗證其他人的錄音。
語音貢獻者可以選擇保留專案記錄,以掌握自己的錄音記錄。此外,還可以選擇提供人口特徵資訊,以協助 Mozilla 改善用以訓練語音識別引擎的語音資料。
如 Common Voice 收集的其他語言資料,Mozilla 對於漢語(普通話)的目標是要累積約 1 萬小時的通過驗證的音訊,因為 1 萬小時的音訊量才足以訓練出完備的語音識別系統,這樣大家才能共同推動語音識別技術的進展。無論在上班途中、公交車上、午休時間、家裡,還是與親朋好友齊聚一堂時,都可以通過 voice.mozilla.org 網站或 iOS 應用 ,只要有 手機 或計算機,你就能捐出聲音或驗證其他人的音訊。
Mozilla 開源創新計劃總監 George Roter 表示:“就算一個人只錄或聽幾秒鐘的音訊,但如果貢獻者多達數十萬,加起來的資料量就會非常驚人!當更多人都願意出一份力時,這套語音資料集的價值就能更快提升。”
釋出多語言語音資料集
Mozilla 將不忘初衷,繼續充實語音資料集的內涵,使其成為人人可用的公共資源。並已於今年二月釋出第一批的多語言語音資料集,其中共涵蓋 18 種語言的錄音檔案,包括:英語、法語、德語和漢語(臺灣地區)等廣泛通行的語言,以及威爾士語及卡比爾語等較為冷門的語言。Common Voice 至今已收集超過 4.2 萬人貢獻的錄音,總長度約 1,400 小時,且語音資料量仍在持續增長中。
在此資料集釋出後,Common Voice 的規模已超越其他同類型的語音資料集,並已將數萬人的錄音檔案及對應文字開放給公眾使用(採 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 致力於促進更加多元化的創新語音科技生態系的發展。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型企業的發展,在建立全球最大公共的多語言語音資料集的過程中,我們很榮幸得到越來越多人的幫助,也很感謝志願者們的熱情相挺,讓我們成功開展對於漢語普通話的支援。”