01
Setul de date cu vocea Sevil
1.566 de înregistrări corectate, cu text: părți de antrenare, validare și test. Licență: CC BY 4.0.
Despre proiect
Marile servicii vocale aproape că nu au tătara crimeeană. Acest proiect adună voce vie și face primele modele deschise: unul citește textul cu voce tare, celălalt transformă vorbirea în text.
La bază stă un set de date cu 1.566 de înregistrări ale vocii Sevil, circa 2,6 ore de vorbire. În setul inițial doar 415 fișiere erau utilizabile, acum toate sunt corectate: zgomot, volum, pauze și texte. Pe aceste înregistrări au fost antrenate suplimentar SpeechT5 (sinteză vocală) și Whisper Large v3 (recunoaștere vocală, rata de eroare la nivel de cuvânt de 13,7%).
Cu vocea sintetizată a fost deja citit un roman întreg: „Merdiven” de Șamil Aliadin, 16 capitole, aproape două ore. Toate modelele și datele sunt deschise (CC BY 4.0 și Apache 2.0) și pot fi integrate în propriile aplicații.
- 1 566
- înregistrări vocale
- ≈2,6
- ore de vorbire
- 13,7 %
- erori de recunoaștere
- 16
- capitole dintr-un roman citite cu vocea
Ce face
1
Vocea Sevil
Set de date cu înregistrări vocale corectate.
2
Sinteză vocală
Primul model care citește textul cu voce tare.
3
Recunoaștere vocală
Primul model care transcrie vorbirea.
Ce conține
02
Recunoaștere vocală
Whisper Large v3 antrenat suplimentar pe tătara crimeeană. Înțelege grafia chirilică și latină, rata de eroare la nivel de cuvânt este de 13,7%.
Autor
Cine îl face: Servin Osmanov (Ana Yurt).
Ați găsit o greșeală? Scrieți-ne și o corectăm în următoarea actualizare.
selam@ocaq.ru
