{"id":53722,"date":"2019-12-08T00:00:00","date_gmt":"2019-12-07T21:00:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/kompaniya-mozilla-predstavila-dvizhok-raspoznavaniya-rechi-deepspeech-0-6"},"modified":"2020-02-18T14:01:39","modified_gmt":"2020-02-18T11:01:39","slug":"kompaniya-mozilla-predstavila-dvizhok-raspoznavaniya-rechi-deepspeech-0-6","status":"publish","type":"post","link":"https:\/\/prohoster.info\/da\/blog\/news\/kompaniya-mozilla-predstavila-dvizhok-raspoznavaniya-rechi-deepspeech-0-6","title":{"rendered":"Mozilla har pr\u00e6senteret talegenkendelsesmotoren DeepSpeech 0.6","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Pr\u00e6senteret<\/a><\/noindex> udgivelse af talegenkendelsesmotoren, der udvikles af Mozilla DeepSpeech 0.6<\/a><\/noindex>, som implementerer den samme arkitektur for talegenkendelse, foresl\u00e5et<\/a><\/noindex> af forskere fra Baidu. Implementeringen er skrevet i Python og bruger TensorFlow-maskinl\u00e6ringsplatformen og distribueres<\/a><\/noindex> er under den frie MPL 2.0-licens. Den underst\u00f8tter driftsmuligheder p\u00e5 Linux, Android, macOS og Windows. Ydeevnen er tilstr\u00e6kkelig til at bruge motoren p\u00e5 LePotato-kort, Raspberry Pi 3 og Raspberry Pi 4.<\/p>\n

S\u00e6ttet inkluderer ogs\u00e5 tilbydes<\/a><\/noindex> tr\u00e6nede modeller, eksempler<\/a><\/noindex> p\u00e5 lydfiler og v\u00e6rkt\u00f8jer til talegenkendelse fra kommandolinjen. For at integrere talegenkendelsesfunktionaliteten i dine programmer tilbydes f\u00e6rdige moduler til Python, NodeJS, C++ og .NET (moduler til Rust<\/a><\/noindex> og Go<\/a><\/noindex>) er blevet forberedt separat af tredjepartsudviklere. Den f\u00e6rdige model leveres kun til engelsk, men til andre sprog kan modellen med den vedlagte<\/a><\/noindex> vejledningen<\/a><\/noindex> selv tr\u00e6nes ved hj\u00e6lp af stemmedata<\/a><\/noindex>, indsamlet af projektet Common Voice. <\/p>\n

DeepSpeech er betydeligt enklere end traditionelle systemer og giver samtidig en h\u00f8jere kvalitet af genkendelse, selv i n\u00e6rv\u00e6r af baggrundsst\u00f8j. Der anvendes ikke traditionelle akustiske modeller og fonemkonceptet i udviklingen; i stedet anvendes et godt optimeret maskinl\u00e6ringssystem baseret p\u00e5 neurale netv\u00e6rk, som g\u00f8r det muligt at undg\u00e5 at udvikle separate komponenter til at modellere forskellige afvigelser som st\u00f8j, ekko og talefunktioner. <\/p>\n

Ulempen ved denne metode er, at for at opn\u00e5 kvalitetsgenkendelse og tr\u00e6ning af det neurale netv\u00e6rk kr\u00e6ver DeepSpeech en stor m\u00e6ngde heterogene data optaget under virkelige forhold af forskellige stemmer og med tilstedev\u00e6relsen af naturlig st\u00f8j.
\nIndsamlingen af s\u00e5danne data varetages af projektet Common Voice<\/a><\/noindex>, som tilbyder et verificeret datas\u00e6t med 780 timer p\u00e5 engelsk<\/a><\/noindex>, 325 timer p\u00e5 tysk, 173 timer p\u00e5 fransk og 27 timer p\u00e5 russisk. <\/p>\n

Det endelige m\u00e5l med projektet Common Voice er at samle 10.000 timer med optagelser af forskellige udtaler af standard s\u00e6tninger fra menneskelig tale, hvilket vil f\u00f8re til et acceptabelt fejlniveau i genkendelsen. I sin nuv\u00e6rende form har deltagerne i projektet allerede dikteret i alt 4,3 tusinde timer, hvoraf 3,5 tusinde er blevet verificeret. Under tr\u00e6ningen af den endelige engelske model til DeepSpeech er der brugt 3816 timers tale, ud over Common Voice, som ogs\u00e5 d\u00e6kker data fra projekterne LibriSpeech, Fisher og Switchboard, samt inkluderer cirka 1700 timer af transskriberede radiooptagelser.<\/p>\n

Ved brug af den tilg\u00e6ngelige engelske model, som kan downloades, er fejlniveauet for genkendelse i DeepSpeech 7,5% ved vurdering af et testdatas\u00e6t. LibriSpeech<\/a><\/noindex>. Til sammenligning er fejlniveauet ved menneskelig genkendelse vurderet<\/a><\/noindex> til 5,83%.<\/p>\n

DeepSpeech best\u00e5r af to undersystemer - en akustisk model og en dekoder. Den akustiske model bruger metoder fra dyb l\u00e6ring til at beregne sandsynligheden for tilstedev\u00e6relsen af bestemte tegn i den indkommende lyd. Dekoderen anvender en str\u00e5les\u00f8gningsalgoritme til at omdanne sandsynlighedsdata om tegn til en tekstuel repr\u00e6sentation.<\/p>\n

Vigtige nyheder<\/a><\/noindex> DeepSpeech 0.6 (0.6-grenen er ikke kompatibel med tidligere versioner og kr\u00e6ver opdatering af kode og modeller):<\/p>\n