{"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\/novosti-interneta\/otkryt-kod-sistemy-raspoznavaniya-i-perevoda-rechi-whisper","title":{"rendered":"Der Code des Spracherkennungs- und \u00dcbersetzungssystems Whisper wurde ver\u00f6ffentlicht","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Das OpenAI-Projekt, das sich mit der Entwicklung \u00f6ffentlicher KI-Projekte besch\u00e4ftigt, hat Fortschritte im Zusammenhang mit dem Spracherkennungssystem Whisper ver\u00f6ffentlicht. Es wird behauptet, dass die Zuverl\u00e4ssigkeit und Genauigkeit der automatischen Spracherkennung f\u00fcr die englische Sprache \u00e4hnlich hoch ist wie die Erkennung durch Menschen. Der Quellcode der Referenzimplementierung auf Basis des PyTorch-Frameworks sowie eine Sammlung vortrainierter Modelle, die einsatzbereit sind, wurden offen zug\u00e4nglich gemacht. Der Code ist unter der MIT-Lizenz ver\u00f6ffentlicht. <\/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 entfallen auf Sprachen, die nicht Englisch sind. Das vorgeschlagene System verarbeitet korrekt Szenarien wie Akzentuierung, Hintergrundger\u00e4usche und den Gebrauch von Fachjargon. Neben der Transkription von Sprache in Text kann das System auch Sprache von beliebigen Sprachen ins Englische \u00fcbersetzen und die Anwesenheit von Sprache im Audiosignal erkennen. <\/p>\n
Die Modelle sind in zwei Varianten erstellt: ein Modell f\u00fcr die englische Sprache und ein mehrsprachiges Modell, das auch Russisch, Ukrainisch und Wei\u00dfrussisch unterst\u00fctzt. Jedes Modell ist in 5 Varianten unterteilt, die sich in der Gr\u00f6\u00dfe und der Anzahl der in dem Modell abgedeckten Parameter unterscheiden. Je gr\u00f6\u00dfer das Modell, desto h\u00f6her die Genauigkeit und Qualit\u00e4t der Erkennung, jedoch auch die Anforderungen an den Grafikspeicher und die geringere Leistung. Zum Beispiel umfasst die minimalste Variante 39 Millionen Parameter und ben\u00f6tigt 1 GB Grafikspeicher, w\u00e4hrend die maximale Variante 1550 Millionen Parameter enth\u00e4lt und 10 GB Grafikspeicher erfordert. Die minimalste Variante ist 32 Mal schneller als die maximale.
<\/center> <\/p>\n
Im System wird die Architektur des neuronalen Netzwerks \u201eTransformer\u201c verwendet, die einen interagierenden Encoder und Decoder umfasst. Der Klang wird in 30-Sekunden-Ausschnitte zerlegt, die in ein log-Mel-Spektrogramm umgewandelt und an den Encoder \u00fcbergeben werden. Das Ergebnis des Encoders wird an den Decoder weitergeleitet, der die textliche Darstellung vorhersagt, gemischt mit speziellen Tokens, die es erm\u00f6glichen, in einem gemeinsamen Modell Aufgaben wie Sprachidentifikation, Ber\u00fccksichtigung der Chronologie der Satzbetonung, 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