3 月 1 日，由 Mozilla 基金會發(fā)起的 Common Voice 項目，發(fā)布新版語音識別數(shù)據(jù)集，包括來自 42000 名貢獻者，超過 1400 小時的語音樣本數(shù)據(jù)，涵蓋包括英語、法語、德語、荷蘭語、漢語在內的 18 種語言。

（數(shù)據(jù)集鏈接：https://voice.mozilla.org/zh-CN/datasets）

Common Voice 項目可以集成到由 DeepSpeech，也就是基于 DeepSpeech 語音識別框架的一套語音轉文本的開源語音識別引擎。它不僅包括語音片段，還包括對訓練語音引擎有用的元數(shù)據(jù)，如說話者的年齡、性別和口音，收集這些語音片段需要做大量的工作。目前 DeepSpeech 項目已在GitHub上獲得了 9418 個 Star，1674 個 fork。

（GitHub 傳送門：https://github.com/mozilla/DeepSpeech）

它目前是同類項目中最大的多語言數(shù)據(jù)集之一，Mozilla 聲稱，此次發(fā)布的數(shù)據(jù)集比八個月前公開發(fā)布的 Common Voice 語料庫要更加龐大，其中包含來自 20,000 名英語志愿者的 500 小時語音數(shù)據(jù)（400,000 條錄音），而且語料庫還將進一步擴充。該基金會表示，通過 Common Voice網(wǎng)站和移動應用，他們正在積極開展 70 種語言的數(shù)據(jù)收集工作。

2017 年 6 月，Mozilla 宣布推出 Project Common Voice 眾包計劃，旨在為語音識別應用構建開源數(shù)據(jù)集。他們邀請來自世界各地的志愿者通過網(wǎng)絡和移動應用貢獻語音記錄的文本片段，當然，他們會非常嚴格地保護項目貢獻者的隱私。

2017 年 11 月，Mozilla 基金會發(fā)布了第一批 Common Voice 英語數(shù)據(jù)集成果，該數(shù)據(jù)集包括大約 500 個小時的語音數(shù)據(jù)，以及來自 20,000 個志愿者貢獻的 400,000 條錄音。2018 年 6 月，Mozilla開始收集法語、德語和威爾士語等 40 多種語種的眾包語音數(shù)據(jù)。

為了簡化流程，Mozilla 本周還推出了一款改進的 Common Voice web 工具，其可以對不同的語音剪輯進行更改，還增加了用于查看、重新錄制和跳過剪輯的新控件，一個可以快速切換儀表板的“說話”和“收聽”模式的開關，以及選擇退出語音會話的選項。此外，它正在推出新的配置文件功能，允許用戶跨語言跟蹤他們的語言進度和指標，并添加人口統(tǒng)計信息。

未來幾個月里，Mozilla 表示將嘗試不同的方法來增加數(shù)據(jù)收集的數(shù)量，提升數(shù)據(jù)質量，并且最終計劃使用部分錄音數(shù)據(jù)來開發(fā)語音產品。

語音技術將是一大科技技術革新，但可惜的是，目前操縱這場革新游戲的只有大型科技公司。

首先，科技巨頭一般都來自科技強國，而用于訓練機器的語音數(shù)據(jù)目前更偏向于英語、中文等一些特定的語言，在多樣性方面，顯然這并不適合全人類。

其次，像亞馬遜、谷歌、蘋果這樣的科技巨頭正在大力投資他們的智能助手，但由此產生的數(shù)據(jù)集并不對外開放，而像學生、創(chuàng)業(yè)公司和對構建語音設備感興趣的人只能訪問非常有限的數(shù)據(jù)集，而且可能還需要付費購買。

基于此，Mozilla 基金會認為，沒有足夠的數(shù)據(jù)開放給公眾使用，將會扼殺科技創(chuàng)新，開放語音數(shù)據(jù)集則可以讓更多人參與進來，讓任何人都可以自由地使用該數(shù)據(jù)集，將語音技術嵌入到各種應用和服務中。這類似于 OpenStreetMap這樣的開放眾包項目，該項目為開發(fā)人員提供開放且可自由使用的世界地圖。

在新的數(shù)據(jù)集發(fā)布后，外國網(wǎng)友們也對此進行了評價：

看到開放數(shù)據(jù)領域的創(chuàng)新真是太好了。最近有許多斷言認為，質量更高的 ML 數(shù)據(jù)將要比 ML 算法更重要，這么說是對的，特別是在語音識別等領域。然而，要趕上科技巨頭還有很長的路要走。因為在 15 年前，就有公司每年會處理 100 萬分鐘的標簽語音數(shù)據(jù)。

除非我們在這方面進行投資，否則老牌企業(yè)和新進入這個市場的企業(yè)之間的數(shù)據(jù)差距將繼續(xù)擴大。

另有網(wǎng)友花了時間驗證了一些語音，他在評論中表達了質疑稱：

至少在我能聽出來的范圍內，我沒有聽到任何句子說錯了。不過，我確實遇到了大量非常糟糕的樣本，以至于有些難以理解。比如口音重、有背景噪音或者非常安靜，而且他覺得一些“機械的”樣本是通過文本轉語音軟件生成的。所以 Common Voice 能提供優(yōu)質數(shù)據(jù)嗎？

還有網(wǎng)友拿開源數(shù)據(jù)集 LibriSpeech 做了對比：

ASR 訓練的有聲讀物是絕對不錯的。事實上，在 Common Voice 之前，最大的 ASR 公開訓練數(shù)據(jù)集是 LibriSpeech (http://www.openslr.org/12/)。同樣值得注意的是，Mozilla 的 DeepSpeech 模型的第一個版本使用 LibriSpeech 進行了訓練和測試。但是正如其他人提到的由于一些數(shù)據(jù)集不夠好，由 Common Voice 的數(shù)據(jù)集訓練的有聲讀物存在一些瑕疵。

但是 Common Voice 的目標不是取代 LibreSpeech 或其他開放數(shù)據(jù)集(如 TED 演講)作為訓練數(shù)據(jù)集，而是它們的有益補充。

總之，相較于目前已開源的其他語音數(shù)據(jù)集類型單一，數(shù)據(jù)量不足，數(shù)據(jù)雜亂的情況，雖然而 Common Voice 的數(shù)據(jù)集有不足，但在綜合多樣性、豐富性和質量方面都遙遙領先。它有望被全世界更大范圍內的開發(fā)者們所關注并受益，也將為語音技術的發(fā)展帶來不可估量的價值。