{"id":105165,"date":"2022-09-25T21:36:38","date_gmt":"2022-09-25T19:36:39","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/otkryt-kod-sistemy-raspoznavaniya-i-perevoda-rechi-whisper"},"modified":"2022-09-25T21:36:38","modified_gmt":"2022-09-25T19:36:39","slug":"otkryt-kod-sistemy-raspoznavaniya-i-perevoda-rechi-whisper","status":"publish","type":"post","link":"https:\/\/prohoster.info\/da\/blog\/news\/otkryt-kod-sistemy-raspoznavaniya-i-perevoda-rechi-whisper","title":{"rendered":"Koden til talesgenkendelses- og overs\u00e6ttelsessystemet Whisper er blevet frigivet","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
OpenAI-projektet, der arbejder med udviklingen af offentligt tilg\u00e6ngelige projekter inden for kunstig intelligens, har offentliggjort resultater relateret til talesystemet Whisper. Det h\u00e6vdes, at systemet sikrer p\u00e5lideligheds- og pr\u00e6cisionsniveauer for automatisk talegenkendelse t\u00e6t p\u00e5 menneskelig genkendelse for engelsk tale. Koden til den referenceimplementering, der er baseret p\u00e5 PyTorch-rammen, og en r\u00e6kke forudtr\u00e6nede modeller, er gjort tilg\u00e6ngelig. Koden er \u00e5bent licenseret under MIT-licensen. <\/p>\n
Modelen blev tr\u00e6net p\u00e5 680.000 timers tale-data samlet fra flere samlinger, der d\u00e6kker forskellige sprog og temaer. Omtrent 1\/3 af de anvendte tale-data under tr\u00e6ningen er fra sprog, der ikke er engelsk. Det foresl\u00e5ede system h\u00e5ndterer situationer som akcentudtale, baggrundsst\u00f8j og anvendelse af teknisk jargon korrekt. Udover at transskribere tale til tekst kan systemet ogs\u00e5 overs\u00e6tte tale fra et vilk\u00e5rligt sprog til engelsk og identificere fremkomsten af tale i lydstr\u00f8mmen. <\/p>\n
Modellerne er dannet i to repr\u00e6sentationer: en model til engelsk og en flersproget model, der ogs\u00e5 underst\u00f8tter russisk, ukrainsk og hvidrusisk. Hver repr\u00e6sentation deles igen op i 5 varianter, der adskiller sig i st\u00f8rrelse og antal d\u00e6kget parametre i modellen. Jo st\u00f8rre st\u00f8rrelsen er, desto h\u00f8jere er n\u00f8jagtigheden og kvaliteten af genkendelsen, men ogs\u00e5 kravene til videohukommelsesst\u00f8rrelse p\u00e5 GPU'en er h\u00f8jere, og pr\u00e6stationen er lavere. For eksempel inkluderer den mindste variant 39 millioner parametre og kr\u00e6ver 1 GB videohukommelse, mens den maksimale variant inkluderer 1550 millioner parametre og kr\u00e6ver 10 GB videohukommelse. Den mindste variant er 32 gange hurtigere end den maksimale.
<\/center> <\/p>\n
Systemet bruger en neuralt netv\u00e6rk arkitektur kaldet \"Transformer\", der omfatter en encoder og decoder, som interagerer med hinanden. Lyd opdeles i 30-sekunders segmenter, som konverteres til en log-Mel-spektrogram og sendes til encoderen. Resultatet fra encoderen sendes til decoderen, som forudsiger den tekstuelle repr\u00e6sentation, blandet med specielle tokens, der muligg\u00f8r l\u00f8sning af opgaver som sprogdetektion, hensyntagen til r\u00e6kkef\u00f8lgen af udtale af s\u00e6tninger, transkription af tale p\u00e5 forskellige sprog og overs\u00e6ttelse til engelsk. \n Kilde: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![\"Koden](\"\/wp-content\/uploads\/2022\/09\/d6aa63e77cddead1a7abfa9083ff37cb.jpg\")
<\/center> <\/p>\n