MLCommons, in collaborazione con Hugging Face, ha annunciato il rilascio del dataset “Unsupervised People’s Speech”, una raccolta monumentale di oltre un milione di ore di audio in almeno 89 lingue diverse. Questo dataset, che occupa più di 48 terabyte di dati, rappresenta una risorsa senza precedenti per la ricerca sull’intelligenza artificiale e il riconoscimento vocale.
Il dataset è stato compilato estraendo file audio da Archive.org, tutti concessi in licenza per uso accademico e commerciale sotto le licenze CC-BY e CC-BY-SA. Include una vasta gamma di parlanti, offrendo una diversità linguistica e culturale significativa. La maggior parte degli audio ha una durata compresa tra 1 e 10 minuti, con solo 14 file che superano le 100 ore. Inoltre, il 99% dei file audio ha una frequenza di campionamento di 44,1 kHz, garantendo una qualità sonora elevata.
Questo rilascio segna un passo significativo nell’avanzamento delle tecnologie di riconoscimento vocale. La disponibilità di un dataset così ampio e diversificato permette agli sviluppatori di addestrare modelli di intelligenza artificiale con una comprensione più profonda delle variazioni linguistiche e delle inflessioni dialettali. Ciò potrebbe portare a sistemi di riconoscimento vocale più accurati e inclusivi, capaci di comprendere una gamma più ampia di parlanti e contesti linguistici.
Tuttavia, è importante notare che il dataset riflette i contenuti caricati dagli utenti su Archive.org, il che implica una predominanza dell’inglese con accento americano. Nonostante ciò, la presenza di 89 lingue offre comunque una base solida per la ricerca multilingue.
MLCommons e Hugging Face hanno reso disponibile il dataset sulla piattaforma di Hugging Face, facilitando l’accesso per ricercatori e sviluppatori interessati a esplorare e utilizzare questa risorsa. Con questo rilascio, le due organizzazioni mirano a promuovere l’innovazione nel campo dell’intelligenza artificiale, fornendo strumenti che possano essere utilizzati per sviluppare applicazioni più avanzate e inclusive nel riconoscimento vocale e oltre.
