在NeurIPS大會上發布的兩個數據集可助編目數十種語言

　　在近日舉行的NeurIPS大會上，發布了兩冊英特爾提供支持的關于口語數據集的白皮書，其中，《人的語言》主要涉及到“自動語音識別”任務，另一冊——《多語種口語語料庫》則涵蓋“關鍵詞識別”。這兩個項目的數據集都貢獻了大量豐富的音頻數據，且每個數據集在同類中都擁有最大的可用體量。

　　《多語種口語語料庫》由英特爾軟件與先進技術事業部（SATG）的機器學習工程師Keith Achorn參與撰寫。Keith在英特爾社區網站的博客中講述了自己參與該項目的經歷。

　　在ML Commons 的支持下，“人的語言”和“多語種口語語料庫”于2018年開始啟動，該項目旨在識別世界上最常用的 50 種語言并統一到單一的數據集中，從而使這些數據得到有效利用。該項目小組成員來自英特爾、哈佛大學、阿里巴巴、甲骨文、Landing AI、密歇根大學、谷歌、百度等。

　　在當今多元化、國際化、多語言的工作環境中，準確轉錄和翻譯的能力愈發重要。通過使用以上數據集，計算機可以“聽到”口語單詞，并自動生成文本或譯文。

　　這兩個項目都運用了“多樣化語音”，這意味著它們可以更好地展現自然環境音，如背景噪音、非正式語言模式、錄音設備混音以及其他聲學環境等。這與諸如有聲讀物之類的高度受控的內容不同，后者產生的聲音更加“純凈”。然而，在實際應用中，多樣化語音訓練有助于提高識別的準確性。

　　“人的語言”項目內含數萬小時的對話音頻。如今，它是世界上最大的、可免費下載的、用于學術和商用的英語語音識別數據集之一。

　　“多語種口語語料庫”是一個音頻語音數據集，不僅擁有超過30萬個關鍵字的數十種語言，能夠通過智能設備訪問，還涵蓋了50多億用戶的日常對話，有助于推動全球范圍內受眾語音應用的研發。

　　這兩個數據集都將提供給廣泛的用戶進行應用，它們包括商用在內的授權許可條款都相對較為寬松。

　　關于英特爾

　　英特爾（NASDAQ: INTC）作為行業引領者，創造改變世界的技術，推動全球進步并讓生活豐富多彩。在摩爾定律的啟迪下，我們不斷致力于推進半導體設計與制造，幫助我們的客戶應對最重大的挑戰。通過將智能融入云、網絡、邊緣和各種計算設備，我們釋放數據潛能，助力商業和社會變得更美好。