Mozilla 的开源音频数据库 Common Voice 已收集了来自 20,000 个人的近 40 万个录音,整体时间已超过 500 个小时,据称这是公开发布的第二大语音数据集。
Common Voice 是 Mozilla 今年 7 月推出的一个大型公共数据集,并已开源。它允许用户通过 iOS 应用或网站捐赠他们的话语,提交他们自己阅读特定句子的简短音频记录。
Mozilla 新兴技术高级副总裁肖恩·怀特(Sean White)在一篇博客文章中曾表示,“商业上可用的语言服务很少的一个原因是缺乏数据。当我们开始打造语音识别系统时,我们发现我们可以在已有算法的基础上工作,并在算法方面进行一些创新。但是要想让语音识别系统真正起作用,数据的策划,创建和聚合是一个绕不开的挑战,如果你想做一个新的语音识别系统,你无法找到一个现成的高质量音频数据集。” 目前,Common Voice 收集的重点是英文,计划在 2018 年上半年将其扩展到其他语言。