Mozilla宣布Common Voice数据集已超2万小时 新增闽南语和粤语

本次更新中，英语数据集的容量达到了 71GB，而且支持更多的语言，包括Tigre、闽南语、Meadow Mari、Bengali、Toki Pona和粤语。

Mozilla 表示， Common Voice 项目非常重要，因为它允许任何人向该项目贡献他们的声音，这应该允许虚拟助手理解更多口音。此外，它确保大科技公司不是唯一拥有大型数据集的公司--这让小的开发者和公司有机会建立竞争性产品和服务。

Mozilla 表示最新发布的数据集具备以下优势：

● 新增 6 种 语言

新版本还具有六种新的语言。Tigre, 闽南语, Meadow Mari, Bengali, Toki Pona 和粤语。

● 扩容

现在有27种语言拥有至少100小时的语音数据。它们包括孟加拉语、泰语、巴斯克语和弗里斯兰语。

9 种语言现在至少有500小时的语音数据。它们包括基尼亚卢旺达语（2383小时）、加泰罗尼亚语（2045小时）和斯瓦希里语（719小时）。

● 女性语音

九种语言现在都有至少45%的性别标签为女性。它们包括马拉地语、迪维希语和卢甘达语。

● 社区推动

加泰罗尼亚语社区推动了主要的增长。加泰罗尼亚语社区的AINA项目--巴塞罗那超级计算中心和加泰罗尼亚政府之间的合作--动员了加泰罗尼亚语使用者为"共同声音"做出贡献。

支持社区参与决策然而。共同语音语言代表队（Common Voice language Rep Cohort）已经贡献了关于最佳句子收集、语言变体的纳入等方面的反馈和学习成果。