MLCommons和Hugging Face团队合作发布大量的语音数据集供AI研究|TechCrunch
作者：Kyle Wiggers
非营利性AI安全工作组MLCommons已与AI Dev平台拥抱面孔合作，发布了世界上最大的公共领域录音集，以供AI研究。
数据集，调用无监督的人的演讲，包含超过一百万小时的音频，至少涵盖89种语言。MLCommons说，是通过支持在言语技术各个领域的渴望来建立研发的动力。”
该组织在一家中写道博客文章周四。``我们预计研究界将继续建立和发展的几种途径，尤其是在改善低资源语言语音模型，跨不同口音和方言的语音识别以及语音综合中的新颖应用的领域。
可以肯定的是，这是一个令人钦佩的目标。但是，像无监督的人的语音这样的AI数据集可能会对选择使用它们的研究人员承担风险。
偏见的数据是这些风险之一。无监督的人的演讲中的录音来自Archive.org，这是一个非营利组织，也许以Wayback Machine Web档案工具而闻名。因为许多Archive.org的贡献者都是讲英语的，而美国的几乎所有录音都在无监督的人的演讲中，都是以美国为英语的英语根据官方项目页面上的读数。
这意味着，在不仔细过滤的情况下，诸如语音识别和语音合成器模型之类的AI系统接受了无监督的人的言语训练，可能会表现出一些相同的偏见。例如，他们可能难以抄录非母语说话者说的英语，或者难以用英语以外的其他语言产生综合声音。
无监督的人们的演讲也可能包含人们不知道他们的声音被用于AI研究目的的录音，包括商业应用。尽管MLCommons说数据集中的所有录音都是公共领域或在Creative Commons许可下可用的，但犯了可能性错误。
根据麻省理工学院分析，数百个公开可用的AI培训数据集缺乏许可信息并包含错误。创建者的倡导者包括Ed Newton-Rex，AI伦理学的非营利组织的首席执行官Ed Newton-Rex受过公平训练的培训，这使得创作者不应该选择退出AI数据集，因为繁重的负担反对了强度的负担在这些创造者上。
许多创作者（例如Squarespace用户）没有有意义的选择方法，牛顿 - 瑞克斯写道在去年6月的X上的帖子中。对于创造者能选择退出，有多种重叠的退出方法，这些方法（1）令人难以置信的令人困惑，并且（2）覆盖范围不完整。即使存在完美的普遍选择退出，考虑到生成的AI使用他们的工作与他们竞争，将选择退出负担放在创作者身上也是非常不公平的。€
MLCommons表示，它致力于更新，维持和提高无监督人的演讲质量。但是，鉴于潜在的缺陷，开发商要谨慎行事。
凯尔·威格斯（Kyle Wiggers）是TechCrunch的高级记者，对人工智能特别感兴趣。他的写作出现在VentureBeat和数字趋势中，以及一系列小工具博客，包括Android警察，Android Authority，Droid-Life和XDA-Developers。他与他的伴侣，钢琴教育家一起住在布鲁克林，并在钢琴中牵涉。偶尔 - 如果大部分未成功。
关于《MLCommons和Hugging Face团队合作发布大量的语音数据集供AI研究|TechCrunch》的评论
暂无评论