Mozilla Common Voice — Corpus vocal ouvert et collaboratif qui étend la technologie vocale à plus de 250 langues

Common Voice, lancé par Mozilla en juin 2017, est un projet collaboratif où des bénévoles enregistrent des phrases et vérifient les enregistrements des autres. Les jeux de données sont publiés sous licence du domaine public CC0 afin que chacun puisse créer des applications vocales sans frais, y compris pour des langues délaissées par les fournisseurs commerciaux.
L'article LREC 2020 (Ardila et al.), évalué par des pairs, mentionne 29 langues dans la dernière version et 38 en cours de collecte en novembre 2019, avec plus de 50 000 personnes et environ 2 500 heures d'audio. Dans des expériences d'apprentissage par transfert avec DeepSpeech sur douze langues cibles, partir d'un modèle anglais a donné une amélioration moyenne du taux d'erreur de caractères de 5,99 ± 5,48.
Croissance documentée sur Wikipédia : environ 500 heures d'anglais pour plus de 20 000 utilisateurs en novembre 2017 ; environ 1 400 heures pour plus de 42 000 contributeurs en 18 langues en février 2019 ; 7 226 heures en 54 langues (5 591 validées) en juillet 2020 ; et plus de 250 langues en décembre 2025. Le twi, du Ghana, est devenu la centième langue en septembre 2022.
Réserves : l'affirmation de « plus grand corpus du domaine public » est nuancée par les auteurs (« à notre connaissance »), les expériences de transfert ne couvraient que douze langues, et la qualité par langue et la diversité des locuteurs dépendent de la taille de chaque communauté de bénévoles. Cette fiche décrit le modèle de collecte, pas une précision de reconnaissance garantie pour une langue donnée.