Contributing to Serbian language models

Doprineti zajednici u vezi glasova

COMtext.SR projekat

ICEF-NLP/COMtext.SR

Platforma koju su izabrali…

Kako mi se sada čini, to sve nebulozno komplikovano izgleda:

https://reldi.spur.uzh.ch/hr-sr/instrumenti-za-prikupljanje-podataka/?_sft_jezik-instrumenti=srpski

ReLDI | Regional Linguistic Data Initiative

Nekako će završiti kao i sve u državi

ReLDI Centre Belgrade (@reldi_centre) / Twitter

neka saradnja sa Clarin.si:

Serbian UD

ASR training dataset for Serbian JuzneVesti-SR v1.0 To je i audio korpus: parlaspeech/juzne_vesti at main · clarinsi/parlaspeech classla/wav2vec2-xls-r-juznevesti-sr · Hugging Face

Bitan projekat: Mozilla Common Voice

U pitanju je vrlo poznat dataset izgovora, glasova i rečenica uveliko koriste baš sve najveće svetske AI kompanije i istraživači. Već godinama se time pravi Mozilla, a nalazi se na portalu Common Voice:

Kako doprineti?

1. Pokušajte još nekoga da uključite

Za početak, pokušajte bar nekoga da animirate da doprinese malo svojim trudom na više načina:

2. Snimite svoj glas, rečenice i izgovor

3. Pomognite da se izgradi jezički korpus

Rečenice i fraze čiji izgovor se snima u prethodnoj stavci se prethodno moraju proveriti jesu li pravopisno ispravne ili nisu. Taj deo posla se radi na sajtu

Prikupljač rečenica i fraza

Primetio sam da je glavni izvor za rečenice jedan jedini - SETimes.SR – A Reference Training Corpus of Serbian iz 2018. god koji je pripremio Vuk Batanović

Nadam se da će sad sve ovo malo da se pokrene i da će neki novi AI modeli imati mnogo bolji srpski jezik. Dataset za srpski je generalno vrlo mali, pa na primer Whisper AI model za prepoznavanje govora vrlo često greškom “prebacuje” na hrvatski odnosno bosanski izgovor.