Проект SONORA ищет тех, кто поможет «подключить» белорусский голос к BigTech
В канале «TTS па-беларуску» появилось объявление о запуске SONORA. Это проект, где участники записывают открытый белорусский датасет для TTS — «чтобы белорусский язык звучал естественно в современных AI-сервисах», пишет телеграм-канал Dzik Pic.
В чем проблема? Как утверждается на сайте, сегодня в мире почти не существует качественных белорусскоязычных голосовых датасетов, специально записанных для обучения современных TTS-моделей. При этом в белорусском языке тысячи омографов: одинаковое написание, но разный смысл в зависимости от ударения. Если модель ошибается с ударением, ломается и звучание, и смысл.
Вторая проблема — фонетическая корректность: мягкость, «ў», «дз/дж», интонация и ритм:
«Без качественного студийного материала модели повторяют ошибки и звучат менее естественно».
Да, сегодня уже существуют подобные инициативы, например, Donar.by или модель BexTTS. Но Sonora продолжит их путь и «выведет его на студийный уровень».
Поэтому энтузиасты запустили совместное финансирование, чтобы «организовать профессиональную студийную запись белорусской речи на специально подобранных текстах». Пользоваться датасетом смогут исследователи, энтузиасты, стартапы и образовательные инициативы.
Кроме того, команда планирует партнерство с Google, OpenAI и ElevenLabs — «чтобы наш датасет усилил их решения для белорусов».
В частности, SONORA ищет теплые интро/прямые контакты в:
- Google;
- OpenAI;
- ElevenLabs;
- Speechify;
- Meta.
«Если знаете кого-нибудь в этих компаниях и можете сделать интро — напишите, пожалуйста, в личку, или напишите обращение от нас сами. Текст обращения здесь», — просят создатели.
Вы можете послушать, как звучит белорусский язык в технологиях сегодня, на стартовой странице.
Сейчас читают
В чем причина недовольства жителей микрорайона Лебяжий в Минске? Вот что на самом деле там планировали строить5
Комментарии
Ну а наконт "амаль не існуе якасных беларускамоўных галасавых датасэтаў", то наогул хлусня, на адным толькі Common Voice на дадзены момант запісана і праверана 1800 гадзін ад больш як 8000 чалавек. Такія вялікія датасэты ў свабодным доступе мала для якой мовы існуюць.