Mozilla Common Voice — Corpus aberto de fala colaborativo que estende a tecnologia de voz a mais de 250 línguas

O Common Voice, lançado pela Mozilla em junho de 2017, é um projeto colaborativo em que voluntários gravam frases e revêem as gravações de outros. Os conjuntos de dados são publicados sob licença de domínio público CC0, para que qualquer pessoa possa criar aplicações de voz sem custos, incluindo para línguas ignoradas pelos fornecedores comerciais.
O artigo LREC 2020 (Ardila et al.), com revisão por pares, refere 29 línguas na versão mais recente e 38 a recolher dados em novembro de 2019, com mais de 50.000 pessoas e cerca de 2.500 horas de áudio. Em experiências de aprendizagem por transferência com o DeepSpeech em doze línguas-alvo, partir de um modelo inglês deu uma melhoria média da taxa de erro de caracteres de 5,99 ± 5,48.
Crescimento documentado na Wikipédia: cerca de 500 horas de inglês de mais de 20.000 utilizadores em novembro de 2017; cerca de 1.400 horas de mais de 42.000 contribuidores em 18 línguas em fevereiro de 2019; 7.226 horas em 54 línguas (5.591 validadas) em julho de 2020; e mais de 250 línguas em dezembro de 2025. O twi, do Gana, tornou-se a centésima língua em setembro de 2022.
Ressalvas: a afirmação de «maior corpus de domínio público» é qualificada pelos autores com «até onde sabemos», as experiências de transferência abrangeram apenas doze línguas, e a qualidade por língua e a diversidade de falantes variam com a dimensão de cada comunidade de voluntários. Esta ficha descreve o modelo de recolha de dados, não uma precisão de reconhecimento garantida para qualquer língua.