Mozilla Common Voice — Corpus de voz abierto y colaborativo que extiende la tecnología de voz a más de 250 idiomas

Common Voice, lanzado por Mozilla en junio de 2017, es un proyecto colaborativo en el que voluntarios graban frases y revisan las grabaciones de otros. Los conjuntos de datos se publican con licencia de dominio público CC0 para que cualquiera pueda crear aplicaciones de voz sin coste, también para idiomas desatendidos por los proveedores comerciales.
El artículo de LREC 2020 (Ardila et al.), revisado por pares, informa de 29 idiomas en la última versión y 38 recopilando datos en noviembre de 2019, con más de 50.000 personas y unas 2.500 horas de audio. En experimentos de aprendizaje por transferencia con DeepSpeech en doce idiomas objetivo, partir de un modelo en inglés dio una mejora media de la tasa de error de caracteres de 5,99 ± 5,48.
Crecimiento documentado en Wikipedia: unas 500 horas de inglés de más de 20.000 usuarios en noviembre de 2017; unas 1.400 horas de más de 42.000 colaboradores en 18 idiomas en febrero de 2019; 7.226 horas en 54 idiomas (5.591 validadas) en julio de 2020; y más de 250 idiomas en diciembre de 2025. El twi, de Ghana, fue el idioma número 100 en septiembre de 2022.
Salvedades: la afirmación de «mayor corpus de dominio público» es matizada por los autores («hasta donde sabemos»), los experimentos de transferencia abarcaron solo doce idiomas, y la calidad por idioma y la diversidad de hablantes dependen del tamaño de cada comunidad de voluntarios. Esta ficha describe el modelo de recopilación de datos, no una precisión de reconocimiento garantizada para un idioma concreto.