Common Voice 是 Mozilla 的开源项目，基于 MPL 协议发行，到目前为止已经诞生了几年时间，它允许志愿者们为语音识别软件的数据库做出贡献，而这个数据库属于公共领域，所有人都可以将这些数据用于语音合成和识别软件。
今年 4 月，Nvidia 通过向 Mozilla 投资 150 万美元的方式参与了这项计划的合作。
近日，在双方和整个社区的共同努力下，Common Voice 数据集的最新版本正式公开了。它带来了多项值得注意的新内容。首先，该语料数据集现在有超过 13000 小时的众包语音数据。与之前的版本相比，最新版本带来了 4622 小时的全新音频数据。还增加了 16 种新语言，即巴萨语、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、乌兹别克斯坦语、阿塞拜疆语和豪萨语。这使得数据集中的语言总数达到了 76 种。总的来说，该数据集现在有超过 182,000 个独特的声音，过去六个月里贡献者社区增长了 25% 。
Mozilla 新发布的 Common Voice 数据集的其他内容包括：
- 按总时长排列的前五的语言是英语(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)和世界语(840 小时);
- 按百分比增加最多的语言是泰语(增长了 20 倍，从 12 小时增长到 250 小时)，卢干达语(增长了 10 倍，从 8 小时到 80 小时)，世界语(增长了 8 倍多，从 100 小时到 840 小时)，以及泰米尔语(增长了 9 倍多，从 24 小时到 220 小时);
如果你有兴趣为 Common Voice 数据集做出贡献，可以访问项目官网参与这项计划，为项目添砖加瓦。想要将数据集用于相关项目开发的开发者可以在 GitHub 仓库中找到源代码和使用文档。作为 Mozilla 和 Nvidia 合作的一部分，在这个公共数据集上训练的模型可以通过 Nvidia NeMo 免费获得。
