হুইস্পার স্পিচ রিকগনিশন এবং ট্রান্সলেশন সিস্টেম কোড খোলা হয়েছে

ওপেনএআই প্রকল্প, যা কৃত্রিম বুদ্ধিমত্তার ক্ষেত্রে জনসাধারণের প্রকল্পগুলি বিকাশ করে, হুইস্পার স্পিচ রিকগনিশন সিস্টেমের সাথে সম্পর্কিত উন্নয়নগুলি প্রকাশ করেছে। এটি দাবি করা হয় যে ইংরেজিতে বক্তৃতা করার জন্য সিস্টেমটি মানুষের স্বীকৃতির কাছাকাছি স্বয়ংক্রিয় স্বীকৃতির নির্ভরযোগ্যতা এবং নির্ভুলতার স্তর সরবরাহ করে। PyTorch কাঠামোর উপর ভিত্তি করে রেফারেন্স বাস্তবায়নের কোড এবং ইতিমধ্যে প্রশিক্ষিত মডেলগুলির একটি সেট, ব্যবহারের জন্য প্রস্তুত, খোলা হয়েছে। কোডটি MIT লাইসেন্সের অধীনে খোলা।

মডেলটি প্রশিক্ষণের জন্য, 680 হাজার ঘন্টা বক্তৃতা ডেটা ব্যবহার করা হয়েছিল, বিভিন্ন ভাষা এবং বিষয়ের ক্ষেত্রগুলি কভার করে বেশ কয়েকটি সংগ্রহ থেকে সংগ্রহ করা হয়েছিল। প্রশিক্ষণে জড়িত বক্তৃতা ডেটার প্রায় 1/3 ইংরেজি ছাড়া অন্য ভাষায়। প্রস্তাবিত সিস্টেমটি উচ্চারিত উচ্চারণ, ব্যাকগ্রাউন্ডের শব্দ এবং প্রযুক্তিগত শব্দার্থ ব্যবহার করার মতো পরিস্থিতিগুলিকে সঠিকভাবে পরিচালনা করে। বক্তৃতাকে পাঠ্যে প্রতিলিপি করার পাশাপাশি, সিস্টেমটি যেকোনো ভাষা থেকে ইংরেজিতে বক্তৃতা অনুবাদ করতে পারে এবং অডিও স্ট্রীমে বক্তৃতার উপস্থিতি সনাক্ত করতে পারে।

মডেল দুটি উপস্থাপনায় গঠিত হয়: ইংরেজি ভাষার জন্য একটি মডেল এবং একটি বহুভাষিক মডেল, যা রাশিয়ান, ইউক্রেনীয় এবং বেলারুশিয়ান ভাষাকেও সমর্থন করে। পরিবর্তে, প্রতিটি উপস্থাপনাকে 5টি বিকল্পে বিভক্ত করা হয়েছে, মডেলটিতে আচ্ছাদিত আকার এবং পরামিতির সংখ্যার মধ্যে পার্থক্য। আকার যত বড় হবে, স্বীকৃতির নির্ভুলতা এবং গুণমান তত বেশি হবে, তবে GPU ভিডিও মেমরির আকারের জন্য প্রয়োজনীয়তাও তত বেশি হবে এবং কর্মক্ষমতা তত কম হবে৷ উদাহরণস্বরূপ, সর্বনিম্ন বিকল্পটিতে 39 মিলিয়ন প্যারামিটার রয়েছে এবং এর জন্য 1 GB ভিডিও মেমরির প্রয়োজন এবং সর্বাধিক 1550 মিলিয়ন প্যারামিটার অন্তর্ভুক্ত এবং 10 GB ভিডিও মেমরির প্রয়োজন৷ সর্বনিম্ন বিকল্পটি সর্বাধিকের চেয়ে 32 গুণ দ্রুত।

সিস্টেমটি ট্রান্সফরমার নিউরাল নেটওয়ার্ক আর্কিটেকচার ব্যবহার করে, যার মধ্যে একটি এনকোডার এবং ডিকোডার রয়েছে যা একে অপরের সাথে যোগাযোগ করে। অডিওটি 30-সেকেন্ডের খণ্ডে বিভক্ত করা হয়, যা একটি লগ-মেল স্পেকট্রোগ্রামে রূপান্তরিত হয় এবং এনকোডারে পাঠানো হয়। এনকোডারের আউটপুট ডিকোডারে পাঠানো হয়, যা বিশেষ টোকেনগুলির সাথে মিশ্রিত একটি পাঠ্য উপস্থাপনের পূর্বাভাস দেয় যা একটি সাধারণ মডেলে, ভাষা সনাক্তকরণ, বাক্যাংশের উচ্চারণের কালানুক্রমের জন্য অ্যাকাউন্টিং, ভাষণের প্রতিলিপির মতো সমস্যাগুলি সমাধান করতে দেয়। বিভিন্ন ভাষা, এবং ইংরেজিতে অনুবাদ।

উত্স: opennet.ru