Common Voice

Dass Amazon über Echo, Apple über Siri, Microsoft über Cortana oder Google über Voice Match Sprachdaten sammeln – mit oder ohne Einverständnis der Nutzerinnen und Nutzer – ist bekannt und geht immer wieder durch die Presse. Diese Daten nutzen die Firmen, um KI weiterzuentwickeln, Werbung zu optimieren oder Übersetzungstools zu verbessern. Aber die Daten bleiben bei den Firmen und werden auch nur von diesen genutzt.

Mit seinem Projekt Common Voice stellt Mozilla allen Forscherinnen und Forschern eine Sprachdatenbank zur freien Verfügung. Jeder kann diese Datenbank nutzen und jeder kann mithelfen, die Datenbank zu füllen. „Der mehrsprachige Datensatz von Common Voice ist bereits der größte öffentlich verfügbare Sprachdatensatz seiner Art“ (Quelle).

Auf der Webseite von Common Voice findet man viele Informationen zu diesem großartigen Projekt: Welche Sprachen bisher erfaßt wurden, wieviele Daten in welchen Sprachen, woher die Texte kommen (Textspenden, gemeinfrei), welche Ziele das Projekt verfolgt etc.

Selber zu helfen ist ganz einfach. Man benötigt einen Computer, Tablet oder Smartphone mit Mikrophone und Kopfhörern oder Boxen. Dann kann man entweder Texte einsprechen oder gesprochene Texte bestätigen. Die Texte bestehen meist aus einem eher kürzeren Satz. Man spricht oder bestätigt immer fünf Texte, dann kann man die eigenen Texte noch einmal kontrollieren und bei Bedarf neu einsprechen und zum Schluss abschicken. Das kann man beliebig oft wiederholen. Die Bedienung ist wirklich sehr einfach und intuitiv und es benötigt wirklich nicht viel Zeit.

Und die Datensätze stehen für inzwischen 40 Sprachen als mp3 unter der CC-0-Lizenz zur Verfügung und können heruntergeladen werden. Für Deutsch sind das mit dem heutigen Tag beispielsweise 14 GB mit insgesamt 538 Stunden (davon 483 bestätigt) von 8 460 Sprecherinnen und Sprechern. Übrigens: Dialekte und Nichtmuttersprachler sind sehr willkommen, um die Vielfalt der Sprache abzubilden, und es gibt bisher wesentlich weniger Frauen- als Männerstimmen.

Man kann sich auch ein Konto erstellen, dann werden Daten wie Geschlecht oder Dialekt zusätzlich – anonym – erfaßt. Und man erhält seine eigene Statistik.

Tolle Sache, um der Forschung und interessierten Nutzerinnen und Nutzern zu helfen, automatisiertes Übersetzen zu verbessern, Sprache zu analysieren, KIs zu füttern etc...