携手英伟达：Mozilla发布新版Common Voice Dataset

（来自：Mozilla）

随着新版公共语音数据集的发布，可知 Common Voice 语料库已拥有超过 13000 小时的众包语音数据。

与上一版相比，其新增了 4622 小时的内容，并且迎来了对 16 种语言的支持，包括：

巴萨语、斯洛伐克语、北库尔德语、保加利亚语、哈萨克语、巴什基尔语、加利西亚语、维吾尔语、亚美尼亚语、白俄罗斯语、乌尔都语、瓜拉尼语、塞尔维亚语、乌兹别克语、阿塞拜疆语、以及豪萨语。

目前 Common Voice 已经收集了 76 种语言的公共语音数据库，以及超过 18.2 万份独特的声音，贡献者社区在过去六个月内迎来了 25% 的增长。

（传送门：NVIDIA）

语音时长 13905 小时，较上一版本增加了 4622 小时。排名前五的语言分别为英语（2630 小时）、基尼亚卢旺达语（2260 小时）、德语（1040 小时）、加泰罗尼亚语（920 小时）、以及世界语（840 小时）。

增长百分比最高的是泰语（从 12 小时到 250 小时、增长近 20 倍），卢干达语（从 8 小时到 80 小时、增长 9 倍），世界语（从 100 小时到 840 小时、增长超 7 倍），泰米尔语（从 24 小时到 220 小时、增长超 8 倍）。

感兴趣的朋友，可移步至 Common Voice 官网（传送门），为这个公共语音数据集贡献自己的一份力量。或者前往 GitHub 存储库，获取特定的元数据集和使用说明。

最后，作为 Mozilla 与 NVIDIA 的一个合作项目，相关训练模型也可通过 Nvidia NeMo 免费获得，后者是该公司打造的用于构建语音识别和对话模型的工具包。