Mozilla Voice: Europarl ist nicht "echt"?

[stergro (Stefan Grotz)]

Ja, es ist wirklich, verwirrend. Einen Teil deiner Fragen kann ich aber beantworten:

@Gurkenpeter

Dann hört man, dass Wikipedia-Inhalte nicht erlaubt sind, allerdings für Esperanto schon. Wieso gibt es unterschiedliche Regeln bei unterschiedlichen Sprachen?

Für Deutsch wurden auch Sätze aus der Wikipedia importiert. Das Legal Team von Mozilla hat herausgefunden, dass drei nicht aufeinanderfolgende Sätze pro Artikel extrahiert werden können und als Public Domain genutzt werden dürfen. Wikimedia (der Verein hinter der Wikipedia) hat der Sache auch zugestimmt. Deswegen gibt es jetzt ein kompliziertes Wikipedia-Extraktions-Script das für jede Sprache genau einmal Sätze legal aus der Wikpedia extrahiert. Für Deutsch sind das mehrere Millionen Sätze.

Ich habe auch lange gebraucht um mich an diese Geschichte zu gewöhnen, im Prinzip wird hier ein rechtliches Schlupfloch ausgenutzt. Hier stehen die Details:

Extending our sentence collection capabilities

Hello everyone, One of the most important components to build a strong dataset of voices is always being able to provide people with enough sentences to read in their language. Without this, voice collection is not possible, and as a team we have been putting in a lot of work to emphasize sentence collection since the launch of Common Voice. Some background To make the Common Voice dataset as useful as possible we have decided to only allow source text that is available under a Creative Common…

Was das Deutsche Gutenberg angeht, könntest Du recht haben, ich glaube an diese Quelle hat sich auch noch niemand heran getraut.

@Gurkenpeter

Ich bin ganz froh, dass ich mich damit nicht herumschlagen muss.

Ja Du hast Recht, es ist wirklich verwirrend und zäh, vielleicht wäre eine andere Lizenz, z.B. CC BY sinnvoller gewesen, da hätten riesige Textsätze für das Projekt offen gestanden.