{"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\/de\/blog\/news\/otkryt-kod-sistemy-raspoznavaniya-i-perevoda-rechi-whisper","title":{"rendered":"Der Code des Sprach- und \u00dcbersetzungserkennungssystems Whisper wurde ver\u00f6ffentlicht.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Das OpenAI-Projekt, das sich mit der Entwicklung von Open-Source-Projekten im Bereich der k\u00fcnstlichen Intelligenz besch\u00e4ftigt, hat Ergebnisse zur Sprach\u00aderkennungssystem Whisper ver\u00f6ffentlicht. Es wird behauptet, dass das System f\u00fcr die englische Sprache Zuverl\u00e4ssigkeits- und Genauigkeitsniveaus bei der automatischen Spracherkennung bietet, die mit denen eines Menschen vergleichbar sind. Der Code der Referenzimplementierung basiert auf dem PyTorch-Framework und eine Reihe bereits trainierter Modelle, die zur Nutzung bereitstehen, sind ver\u00f6ffentlicht worden. Der Code ist unter der MIT-Lizenz offen zug\u00e4nglich. <\/p>\n
F\u00fcr das Training des Modells wurden 680.000 Stunden an Sprachdaten verwendet, die aus mehreren Sammlungen stammen und verschiedene Sprachen sowie Themenbereiche abdecken. Etwa ein Drittel der im Training verwendeten Sprachdaten stammt aus Sprachen, die sich vom Englischen unterscheiden. Das vorgeschlagene System verarbeitet solche Situationen wie Akzentaussprachen, Hintergrundger\u00e4usche und den Einsatz von Fachjargon korrekt. Neben der Transkription von Sprache in Text kann das System auch Sprache von einer beliebigen Sprache ins Englische \u00fcbersetzen und das Auftreten von Sprache im Audiofluss erkennen. <\/p>\n
Die Modelle wurden in zwei Darstellungen entwickelt: ein Modell f\u00fcr die englische Sprache und ein mehrsprachiges Modell, das unter anderem Russisch, Ukrainisch und Wei\u00dfrussisch unterst\u00fctzt. Jede Darstellung wird ihrerseits in 5 Varianten unterteilt, die sich in ihrer Gr\u00f6\u00dfe und der Anzahl der im Modell abgedeckten Parameter unterscheiden. Je gr\u00f6\u00dfer die Gr\u00f6\u00dfe, desto h\u00f6her die Genauigkeit und die Qualit\u00e4t der Erkennung, jedoch auch gr\u00f6\u00dfere Anforderungen an den Grafikspeicher und geringere Leistung. Zum Beispiel umfasst die minimalste Variante 39 Millionen Parameter und ben\u00f6tigt 1 GB Grafikspeicher, w\u00e4hrend die maximalste 1550 Millionen Parameter umfasst und 10 GB Grafikspeicher ben\u00f6tigt. Die minimalste Variante ist 32-mal schneller als die maximalste.
<\/center> <\/p>\n
Im System wird die Architektur des neuronalen Netzes \u201eTransformer\u201c verwendet, die aus einem miteinander interagierenden Encoder und Decoder besteht. Der Ton wird in 30-Sekunden-Ausschnitte unterteilt, die in ein log-Mel-Spektrogramm umgewandelt und an den Encoder \u00fcbergeben werden. Das Ergebnis der Arbeit des Encoders wird an den Decoder weitergeleitet, der die textuelle Darstellung vorhersagt, gemischt mit speziellen Token, die es erm\u00f6glichen, in einem gemeinsamen Modell Aufgaben wie Sprachbestimmung, Ber\u00fccksichtigung der Chronologie der Aussprache von Phrasen, Transkription von Sprache in verschiedenen Sprachen und \u00dcbersetzung ins Englische zu l\u00f6sen. \n Quelle: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![\"Der](\"\/wp-content\/uploads\/2022\/09\/d6aa63e77cddead1a7abfa9083ff37cb.jpg\")
<\/center> <\/p>\n