Сбер открывает доступ к датасету Golos — самому большому размеченному вручную набору речевых данных на русском языке, включающему 1240 часов аудиоданных. Также в Golos входит модель распознавания речи, которая демонстрирует точность, сравнимую с человеческой.
Данные Golos могут быть использованы для распознавания и синтеза речи. Сбер предоставит их по лицензии, допускающей использование в исследовательских и коммерческих целях.
Датасет уже можно скачать на GitHub. Над ним работала команда SberDevices. Было сгенерировано более 1240 часов речи, похожей на запросы пользователей. Датасет Golos составляют обезличенные записи, прослушанные и размеченные вручную.
Помимо аудиоданных, Сбер выкладывает обученную на них модель распознавания речи. Она проходила обучение с использованием мощностей суперкомпьютера «Кристофари» от Сбера на 16 видеокартах Nvidia Tesla V100 в течение 8 дней. Доступная для использования акустическая модель QuartzNet 15x5 была обучена на данных датасетов Golos и Common Voice, а языковая модель KenLM построена на Common Crawl и аннотациях Golos.
Денис Филиппов, CTO SberDevices:
«Открытие датасета Golos — это очень важный шаг для развития речевых технологий в России, и мы в Сбере рады, что можем применить свой опыт в этой области и продолжить наш тренд делиться своими наработками и технологиями с разработчиками и научным сообществом. Мы верим, что датасет Golos даст возможность научному сообществу России двигаться еще быстрее в совершенствовании русскоязычных речевых технологий».
Ранее в апреле стало известно, что Сбер разрабатывает свой сервис видеоконференций, рассчитанный на пользователей корпоративного сектора. Сейчас сервис проходит финальный этап тестирования, конкретные сроки запуска пока неизвестны.
