Mozilla成为最大公共转录语音高达18种语音

Mozilla公开现今最大的多语言语音数据集，其中收集了18种语言的语音，包括英语、法语、德语和正体中文，另外还有威尔士语和卡比尔语等，新数据集收集了来自42,000人的声音，组成1,400小时的语音片段。在2017年Mozilla启动了Common Voice群众外包计划，其目的是要收集多元语言的声音数据集，现已经成为全世界最大的人类语音数据库。虽然网络大厂、苹果及亚马逊等都打造了自己的语音识别服务，但Mozilla认为，由大厂控制的语音识别生态圈，可能阻挡其他新进入者，而且大厂通常只注重主流语言，因此Mozilla希望透过向群众募集语音，以CC 0授权供给其他想要进行语音控制研究的学术单位或是新创公司使用。Common Voice在2018年6月开始支持多语言，收集包括正体中文语音等22种语言。

Common Voice数据集不仅在数量上让其他语音数据集望尘莫及，而且语音来源遍及全球，让语音多样性更是独一无二的丰富。这些贡献者可以选择提供年龄、性别和口音等多元资料，以便提供更多的语音片段卷标给训练语音引擎使用。Mozilla提到，通常数据集都需要手动调整多样性以及男女人数比例，不然就会像TED talks的TEDLIUM语料库，因为男性演讲人是女性的3倍，导致数据集的多样性受到影响。Common Voice在2018年启动多语言支持后，现在已经收集到了22种语言的语音，最新的包括荷兰语、世界语，波斯语，巴斯克语和西班牙语。最近Mozilla还与Deutsche Gesellschaft für Internationale Zusammenarbeit（GIZ）合作，在卢旺达首都基加利的举办黑客松，为当地创建了语音数据库，帮助卢旺达开源语音技术开发。而Mozilla启动Common Voice一部分的原因，也是要供给自家的DeepSpeech项目使用，开发语音转文字和