https://github.com/herotux/mozilla-voice-fa

مجموعه ای از جملات به زبان فارسی برای پروژه common voice موزیلا
https://github.com/herotux/mozilla-voice-fa

Last synced: 3 months ago
JSON representation

مجموعه ای از جملات به زبان فارسی برای پروژه common voice موزیلا

• Host: GitHub
• URL: https://github.com/herotux/mozilla-voice-fa
• Owner: herotux
• License: cc0-1.0
• Created: 2018-12-03T12:32:57.000Z (almost 6 years ago)
• Default Branch: master
• Last Pushed: 2020-09-01T04:40:33.000Z (about 4 years ago)
• Last Synced: 2024-06-28T09:37:23.304Z (5 months ago)
• Language: Python
• Homepage:
• Size: 2.88 MB
• Stars: 16
• Watchers: 3
• Forks: 5
• Open Issues: 1
• Metadata Files:
  • Readme: README.md
  • Contributing: CONTRIBUTING.md
  • License: LICENSE.md

Awesome Lists containing this project

README

        


 

#  جملات فارسی برای common voice 


مجموعه ای از جملات به زبان فارسی برای پروژه common voice موزیلا

## مشارکت:

 

برای کمک به پروژه متن باز [common voice](https://voice.mozilla.org/) بنیاد موزیلا ما نیاز به جملاتی داریم که بعدا توسط دیگر فارسی زبان ها ضبط بشه و به دیتابیس اضافه بشه چند نکته در این مورد وجود داره که حتما باید رعایت بکنید.

 

 

دو راه برای نوشتن جمله ها وجود داره:

* خود شما جملات رو بنویسید.

* جملات موجود در سایت های عمومی(به دلیل مسائل کپی رایت) رو مرتب کنید و بنویسید.

--------------------------------------------------------------------------

۱. خود شما جملات رو بنویسید.

* در حالت ایده آل، باید 5 ثانیه خواندن هر جمله (حداکثر 10 ثانیه) طول بکشه. بنابراین برای جملات تقریبا 5 تا 10 کلمه را هدف قرار دهید.

* جملات 1 یا 2 کلمه‌ای نیز خوب است، اما نه برای همه جملات! سعی کنید ترکیب جملات کوتاه و متوسط داشته باشید، اما سعی کنید همه آنها را زیر 10 ثانیه خوانده شدن حفظ کنید

* سعی کنید از کلمات مختلف استفاده کنید. این کار به غنی سازی واژگان ابزارهای یادگیری ماشین کمک خواهد کرد.

* استفاده از جملات با نشانه های نگارشی(نقطه ؛ کاما وعلامت سوال) نیز عالی است، اما زیاد خود را درگیر ان نکنید

*	اگر زبان شما از هر نماد خاص استفاده می کند (به عنوان مثال  ُ ، ِ  ، َ ) این عالی است. با استفاده از نحوه تلفظ ان ها به فارسی، به دستگاه برای تشخیص صداهای مختلف کمک می کند.

*	سعی کنید اسم های مناسب (نام ها(محمد علی و ....) و نام های خانوادگی پر استفاده (محمدی احمدی و......) ، نام خیابان ها، مکان ها و غیره) را وارد کنید.

*	اعداد خوب هستند، اما لطفا عدد را به جای نوشتن ارقام به صورت حروف بنویسید (به عنوان مثال "پانصد و بیست و هفت" به جای "527")

۲. جملات موجود در سایت های عمومی(به دلیل مسائل کپی رایت) رو مرتب کنید و بنویسید.

* بهترین منابع مورد نظر شما، پادکست ها، روزنامه ها، وبلاگ ها ، زیرنویس های فیلم و هر چیز دیگری است که ممکن است شامل مکالمات روزمره باشد.

* جلسات دولتی، کتاب ها و مقالات نیز بسیار عالی است هرچند که متون رسمی کمتردر اولویت ماست.

* متاسفانه ما هنوز نمی توانیم مقالات ویکیپدیا را داشته باشیم. بنابراین از آنجا کپی نکنید(مسائل کپی رایت).

* دو منبع عالی برای بررسی عبارتند از: Crawl Common وOpen Subtitles. اگر هر مجموعه مشابهی را در زبان محلی خود پیدا کنید، عالی است

## سخن آخر

این که هرچند مسائل کپی رایت در ایران جدی گرفته نمیشه اما شما سعی کنید اون ها رو رعایت کنید منابع بسیاری برای بهره گیری وجود داره و در اخر کیفیت مهم تر از کمیت هست  

## نحوه نوشتن جملات (هر سطر یک جمله) 

علی به خانه رفت.

چرا ما اینجاییم؟

جامعه متن باز بسیار بزرگ است.

منبع: [Common Voice](https://voice-sprint.mozilla.community/)