liberazione di u mutore di ricunniscenza vocale sviluppatu da Mozilla , chì implementa l'architettura di ricunniscenza vocale di u listessu nome, da circadori di Baidu. L'implementazione hè scritta in Python utilizendu a piattaforma di apprendimentu automaticu TensorFlow è sottu a licenza gratuita MPL 2.0. Supporta u travagliu in Linux, Android, macOS è Windows. A prestazione hè abbastanza per aduprà u mutore nantu à i pannelli LePotato, Raspberry Pi 3 è Raspberry Pi 4.
Inclusu ancu in u set mudelli furmati, schedarii di sonu è arnesi di ricunniscenza da a linea di cummanda. Per integrà a funzione di ricunniscenza vocale in i vostri prugrammi, sò offerti moduli pronti per l'usu per Python, NodeJS, C++ è .NET (sviluppatori di terze parti anu preparatu moduli separati per и ). U mudellu finitu hè furnitu solu per l'inglese, ma per altre lingue pudete furmà u sistema sè stessu usendu , racolta da u prugettu Voce Cumuna.
DeepSpeech hè assai più simplice di i sistemi tradiziunali è à u stessu tempu furnisce un ricunniscenza di qualità più altu in presenza di rumore estraneu. Bypassa i mudelli acustici tradiziunali è u cuncettu di fonemi, invece utilizendu un sistema di apprendimentu automaticu basatu in rete neurale altamente ottimizzata chì elimina a necessità di sviluppà cumpunenti separati per mudificà diverse anomalie cum'è u rumore, l'eco è e funzioni di voce.
U svantaghju di stu approcciu hè chì per ottene una ricunniscenza è una furmazione d'alta qualità di una rete neurale, u mutore DeepSpeech richiede una grande quantità di dati eterogenei, dettati in cundizioni reali da diverse voci è in presenza di rumore naturali.
Un prughjettu creatu in Mozilla raccoglie tali dati. , furnisce un set di dati verificatu cù 780 ore di , 325 in alimanu, 173 in francese è 27 ore in russo.
L'ultimu scopu di u prughjettu di a Voce Comuna hè di accumulà 10 mila ore di registrazioni di diverse pronuncia di e frasi tipiche di u discorsu umanu, chì permettenu di ottene un livellu accettabile di errore in ricunniscenza. In a so forma attuale, i participanti di u prugettu anu digià dictatu un totale di 4.3 mila ore, di quale 3.5 mila sò stati pruvati. Quandu furmà u mudellu finale di lingua inglese per DeepSpeech, sò state aduprate 3816 ore di discorsu, in più di a Voce Comuna chì copre i dati da i prughjetti LibriSpeech, Fisher è Switchboard, è ancu includendu circa 1700 ore di registrazioni di radio trascritte.
Quandu s'utilice u mudellu di lingua inglese pronta per u scaricamentu, u tassu d'errore di ricunniscenza in DeepSpeech hè di 7.5% quandu hè evaluatu cù un set di teste. . Per paragunà, a rata di errore per a ricunniscenza umana à 5.83%.
DeepSpeech hè custituitu da dui sottosistemi - un mudellu acusticu è un decoder. U mudellu acusticu usa metudi d'apprendimentu automaticu profondu per calculà a probabilità di certi caratteri chì sò prisenti in u sonu di input. U decoder usa un algoritmu di ricerca di raghji per cunvertisce e dati di probabilità di caratteri in una rapprisintazioni di testu.
menu DeepSpeech 0.6 (ramu 0.6 ùn hè micca cumpatibile cù versioni precedenti è richiede l'aghjurnamenti di codice è mudelli):
- Un novu decodificatore di streaming hè prupostu chì furnisce una risposta più alta è hè indipendente da a dimensione di e dati audio processati. In u risultatu, a nova versione di DeepSpeech hà sappiutu di riduce a latenza per u ricunniscenza à 260 ms, chì hè 73% più veloce ch'è prima, è permette à DeepSpeech di esse usatu in solu suluzione di ricunniscenza di parlà à a mosca.
- I cambiamenti sò stati fatti à l'API è u travagliu hè statu fattu per unificà i nomi di funzioni. E funzioni sò state aghjunte per ottene metadati supplementari nantu à a sincronizazione, chì vi permettenu micca solu di riceve una rapprisintazioni di testu cum'è output, ma ancu di seguità l'associazione di caratteri individuali è sentenzi à una pusizione in u flussu audio.
- U supportu per l'usu di a biblioteca hè statu aghjuntu à u toolkit per i moduli di furmazione per ottimisà u travagliu cù e rete neurali recurrenti (RNN), chì hà permessu di ottene un incrementu significativu (circa duie volte) in u rendiment di furmazione di mudelli, ma hà bisognu di cambiamenti à u codice chì violava a cumpatibilità cù mudelli preparati prima.
- I requisiti minimi di a versione TensorFlow sò stati elevati da 1.13.1 à 1.14.0. Supportu aghjuntu per l'edizione ligera di TensorFlow Lite, chì riduce a dimensione di u pacchettu DeepSpeech da 98 MB à 3.7 MB. Per l'usu in i dispositi incrustati è mobili, a dimensione di u schedariu imballatu cù u mudellu hè stata ancu ridutta da 188 MB à 47 MB (u metudu di quantizazione hè utilizatu per a compressione dopu chì u mudellu hè furmatu).
- U mudellu di lingua hè statu traduttu à un furmatu di struttura di dati differente chì permette à i schedari à esse mapping in memoria quandu caricate. U supportu per u vechju formatu hè statu discontinuatu.
- U modu di carricà un schedariu cù un mudellu di lingua hè statu cambiatu, chì hà riduciutu u cunsumu di memoria è i ritardi ridotti in u processu di a prima dumanda dopu à creà u mudellu. Durante u funziunamentu, DeepSpeech cunsuma avà 22 volte menu memoria è principia 500 volte più veloce.
- E parolle rari sò state filtrate in u mudellu di lingua. U numeru tutale di parolle hè stata ridutta à 500 mila di e parolle più populari truvate in u testu utilizatu per furmà u mudellu. A pulitura hà permessu di riduce a dimensione di u mudellu di lingua da 1800MB à 900MB, senza praticamenti senza effettu nantu à a rata d'errore di ricunniscenza.
- Supportu aghjuntu per varii creendu variazioni supplementari (aumentazione) di e dati audio utilizati in furmazione (per esempiu, aghjunghjendu distorsioni o rumore à un settore di opzioni).
- Aggiunta una biblioteca cù associazioni per integrazione cù applicazioni basate nantu à a piattaforma .NET.
- A ducumentazione hè stata riformulata è hè avà recullata in un situ web separatu. .
Source: opennet.ru