Mozilla 开源语音数据集已拥有超两万小时内容，新增支持粤语、闽南语

IT之家 5 月 1 日消息，本周早些时候，Mozilla 宣布其 Common Voice 数据集现在包含超过 20000 小时的内容，世界各地的任何人都可以使用这些内容来改进他们的语音识别软件，几乎是一年前的两倍。

IT之家了解到，最新的英语数据集有 71 GB，支持的语言也比以往任何时候都多，增加了蒂格雷语、闽南语、Meadow Mari、孟加拉语、道本语和粤语。

根据 Mozilla 的说法，Common Voice 项目允许任何人为项目贡献自己的声音，从而让虚拟助手能够理解更多的口音。此外，Common Voice 项目是开源的，可确保大型科技公司无法独占，为小型开发商和公司提供了构建竞争产品和服务的机会。

Mozilla 在最新数据集版本中指出的亮点如下：

6 种新语言：蒂格雷语、闽南语、Meadow Mari、孟加拉语、道本语和粤语。

27 种语言至少有 100 小时的语音数据，包括孟加拉语、泰语、巴斯克语和弗里斯兰语。

9 种语言至少有 500 小时的语音数据，包括基尼亚卢旺达语（2383 小时）、加泰罗尼亚语（2045 小时）和斯瓦希里语（719 小时）。

9 种语言有至少 45% 的性别标签为女性，包括马拉地语、迪维希语和卢干达语。