摘要：总部位于金奈的 AI4Bharat 正从印度主要语言的日常对话到技术文档中，收集十万亿词元的语言数据。AI4Bharat 联合创始人米特什・卡普拉（Mitesh Khapra）表示，这些数据将为下一代人工智能（AI）服务提供支持。

据印度《经济时报》3月8日报道，总部位于金奈的 AI4Bharat 正从印度主要语言的日常对话到技术文档中，收集十万亿词元的语言数据。AI4Bharat 联合创始人米特什・卡普拉（Mitesh Khapra）表示，这些数据将为下一代人工智能（AI）服务提供支持。

词元是人工智能用于理解语言的基本组成部分，通常是单词的一部分，有时也可能是整个单词。

卡普拉周六在班加罗尔举行的 “人与人工智能集会” 上表示：“我们已经有 2 亿个口语单词…… 在四个邦，相关工作已经开展或处于活跃阶段。我们有支持农民、儿童、数字支付和农业的应用案例。在过去三年里，我们几乎走访了全国的每个地区，试图覆盖该国所有 22 种官方语言。”

他还说，AI4Bharat 确保收集不同人口统计学特征、不同职业（蓝领和白领）的语音样本，“一些初创企业、学术机构和深度科技机构正在使用这些数据构建自己的模型，以加速语言技术的应用。”

卡普拉称，数据收集所需的工具都是全新开发的。“我们的数据、模型和脚本都是开源的。使用者可以在此基础上进行构建。”

（编译：晋阳）

链接：

https://telecom.economictimes.indiatimes.com/news/internet/ai4bharat-to-collect-ten-trillion-tokens-of-data-to-power-ai-in-indian-languages/118807364?utm_source=newslisting&utm_medium=latestNews

来源：邮电设计技术