In einer bedeutenden Entwicklung für die Forschungsgemeinschaft wurde das Emilia-Dataset, ein umfangreiches und mehrsprachiges Sprachdatenset mit über 101.000 Stunden "in-the-wild" Sprachdaten, kürzlich zum Download auf HuggingFace bereitgestellt. Dieses neue Dataset könnte die Grenzen der Sprachgenerierung und -erkennung erheblich erweitern und zahlreiche Anwendungen in den Bereichen globale Medien, Sprachlernen und Barrierefreiheit ermöglichen.
In den letzten Jahren haben Modelle zur Sprachgenerierung erhebliche Fortschritte durch die Nutzung großskaliger Trainingsdaten gemacht. Modelle wie Vall-E, SoundStorm, VoiceBox und NaturalSpeech 3 haben durch die Skalierung sowohl der Datensätze als auch der Modellgrößen eine hohe Ähnlichkeit, Sprachqualität und Natürlichkeit auf akademischen Datensätzen erreicht. Dennoch bleibt die Erzeugung von spontaner und menschlicher Sprache eine Herausforderung, da es an großskaligen, vielfältigen und spontanen Sprachdaten mangelt.
Traditionelle Sprachdatensätze stammen meist aus Hörbüchern und weisen formale Lesestile auf. Dies steht im Gegensatz zur realen menschlichen Sprache, die in informellen oder konversationellen Kontexten vielfältigere und spontanere Sprechstile zeigt. Dadurch entstand der Bedarf an einem neuen Datensatz, der diese Vielfalt abbildet und die Forschung zur Erzeugung spontaner und menschlicher Sprache voranbringt.
Das Emilia-Dataset wurde aus einer Vielzahl von Sprachdaten aus unterschiedlichen Video-Plattformen und Podcasts im Internet erstellt und deckt verschiedene Content-Genres wie Talkshows, Interviews, Debatten, Sportkommentare und Hörbücher ab. Diese Vielfalt stellt sicher, dass der Datensatz eine breite Palette von realen menschlichen Sprechstilen erfasst. Die Initialversion umfasst insgesamt 101.654 Stunden mehrsprachiger Sprachdaten in sechs verschiedenen Sprachen: Englisch, Französisch, Deutsch, Chinesisch, Japanisch und Koreanisch.
- Englisch: 46.828 Stunden
- Chinesisch: 49.922 Stunden
- Deutsch: 1.590 Stunden
- Französisch: 1.381 Stunden
- Japanisch: 1.715 Stunden
- Koreanisch: 217 Stunden
Ein Vergleich der akustischen und semantischen Vielfalt zwischen Emilia und dem MLS-Datensatz, der aus Hörbüchern stammt, zeigt, dass Emilia eine reichere akustische Charakteristik und semantische Abdeckung bietet.
Die Emilia-Pipe ist die erste Open-Source-Verarbeitungspipeline, die "in-the-wild" Sprachdaten in hochqualitative Trainingsdaten mit Annotationen für die Sprachgenerierung umwandelt. Sie besteht aus sechs Hauptschritten: Standardisierung, Quellentrennung, Sprecherdiarisierung, Feingliedrige Segmentierung durch Sprachaktivitätserkennung (VAD), Automatische Spracherkennung (ASR) und Filterung.
Die Pipeline kann 2,50 Stunden Rohsprachdaten in einer Minute verarbeiten und ist mit verschiedenen Sprachen kompatibel. Die Verarbeitungsschritte umfassen:
- Standardisierung: Konvertierung aller Proben in WAV-Dateien, Monokanal, Resampling auf 24 kHz, Normalisierung der Wellenform. - Quellentrennung: Entfernung von Hintergrundmusik mittels der Open-Source-Bibliothek Ultimate Vocal Remover. - Sprecherdiarisierung: Partitionierung langer Sprachdaten in mehrere Äußerungen basierend auf dem Sprecher. - Feingliedrige Segmentierung durch VAD: Erkennung und Segmentierung von Sprachaktivitäten. - ASR: Automatische Spracherkennung zur Transkription der Sprachdaten. - Filterung: Entfernung unerwünschter Teile und Sicherstellung der Datenqualität.Um die Effektivität von Emilia zu validieren, wurden zwei Text-zu-Sprache (TTS) Modelle auf dem englischen Subset des Emilia-Datensatzes trainiert und mit ihren Gegenstücken, die auf dem Multilingual LibriSpeech (MLS) Datensatz trainiert wurden, verglichen. Die experimentellen Ergebnisse aus subjektiven und objektiven Bewertungen zeigen, dass Emilia effektiv für das Training hochqualitativer, spontaner und menschlicher Sprachgenerierungsmodelle ist. Zudem zeigten Modelle, die mit dem vollständigen Emilia-Datensatz trainiert wurden, vielversprechende Leistungen in mehrsprachigen TTS-Anwendungen.
Das Emilia-Dataset und die Emilia-Pipe-Verarbeitungspipeline sind nun öffentlich verfügbar. Dies ermöglicht der Forschungsgemeinschaft, große Sprachgenerierungsforschungen durchzuführen und die Grenzen der aktuellen Technologien zu erweitern. Die dynamische Natur des Datensatzes erlaubt es, die Gesamtdauer und die Sprachabdeckung leicht zu erweitern, indem benutzerdefinierte Quellaudios hinzugefügt werden.
Diese Entwicklungen eröffnen zahlreiche Möglichkeiten für die Verbesserung der Sprachgenerierung und -erkennung und bieten Anwendungen in verschiedenen Bereichen wie globalen Medien, Sprachlernen und Barrierefreiheit.
Entdecken Sie die Vorteile gegenüber ChatGPT Plus
Sie nutzen bereits ChatGPT Plus? Das ist ein guter Anfang! Aber stellen Sie sich vor, Sie hätten Zugang zu allen führenden KI-Modellen weltweit, könnten mit Ihren eigenen Dokumenten arbeiten und nahtlos im Team kollaborieren.
Die professionelle KI-Plattform für Unternehmen – leistungsstärker, flexibler und sicherer als ChatGPT Plus. Mit über 50 Modellen, DSGVO-konformer Infrastruktur und tiefgreifender Integration in Unternehmensprozesse.
❌ Kein strukturierter Dokumentenvergleich
❌ Keine Bearbeitung im Dokumentkontext
❌ Keine Integration von Unternehmenswissen
✅ Gezielter Dokumentenvergleich mit Custom-Prompts
✅ Kontextbewusste Textbearbeitung im Editor
✅ Wissensbasierte Analyse & Zusammenfassungen
Erstellen Sie leistungsstarke Wissensdatenbanken aus Ihren Unternehmensdokumenten.Mindverse Studio verknüpft diese direkt mit der KI – für präzise, kontextbezogene Antworten auf Basis Ihres spezifischen Know-hows.DSGVO-konform, transparent und jederzeit nachvollziehbar.
❌ Nur ein Modellanbieter (OpenAI)
❌ Keine Modellauswahl pro Use Case
❌ Keine zentrale Modellsteuerung für Teams
✅ Zugriff auf über 50 verschiedene KI-Modelle
✅ Modellauswahl pro Prompt oder Assistent
✅ Zentrale Steuerung auf Organisationsebene
❌ Keine echte Teamkollaboration
❌ Keine Rechte- oder Rollenverteilung
❌ Keine zentrale Steuerung oder Nachvollziehbarkeit
✅ Teamübergreifende Bearbeitung in Echtzeit
✅ Granulare Rechte- und Freigabeverwaltung
✅ Zentrale Steuerung & Transparenz auf Organisationsebene
Nutzen Sie Mindverse Studio als zentrale Plattform für abteilungsübergreifende Zusammenarbeit.Teilen Sie Wissen, erstellen Sie gemeinsame Workflows und integrieren Sie KI nahtlos in Ihre täglichen Prozesse – sicher, skalierbar und effizient.Mit granularen Rechten, transparenter Nachvollziehbarkeit und Echtzeit-Kollaboration.
Sehen Sie Mindverse Studio in Aktion. Buchen Sie eine persönliche 30-minütige Demo.
🎯 Kostenlose Demo buchenLernen Sie in nur 30 Minuten kennen, wie Ihr Team mit KI mehr erreichen kann – live und persönlich.
🚀 Demo jetzt buchen