{"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\/de\/blog\/news\/kompaniya-mozilla-predstavila-dvizhok-raspoznavaniya-rechi-deepspeech-0-6","title":{"rendered":"Mozilla hat die Spracherkennungs-Engine DeepSpeech 0.6 vorgestellt","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Vorstellung<\/a><\/noindex> die von Mozilla entwickelte Sprach-Engine DeepSpeech 0.6<\/a><\/noindex>, die die gleichnamige Spracherkennungsarchitektur umsetzt, vorgeschlagen von<\/a><\/noindex> Forschern der Firma Baidu. Die Implementierung ist in Python unter Verwendung des maschinellen Lernens TensorFlow geschrieben und wird verbreitet<\/a><\/noindex> steht unter der freien Lizenz MPL 2.0. Es wird unterst\u00fctzt, dass die Engine unter Linux, Android, macOS und Windows l\u00e4uft. Die Leistung ist ausreichend, um die Engine auf LePotato-, Raspberry Pi 3- und Raspberry Pi 4-Platinen zu nutzen.<\/p>\n

Im Paket sind auch angeboten<\/a><\/noindex> trainierte Modelle, Beispiele<\/a><\/noindex> Audio-Dateien und ein Werkzeugset f\u00fcr die Spracherkennung \u00fcber die Kommandozeile enthalten. F\u00fcr die Integration der Spracherkennungsfunktion in Ihre Programme werden gebrauchsfertige Module f\u00fcr Python, NodeJS, C++ und .NET angeboten (von Drittherstellern wurden separat Module f\u00fcr Rust<\/a><\/noindex> und Go<\/a><\/noindex>). Das fertige Modell wird nur f\u00fcr die englische Sprache bereitgestellt, aber f\u00fcr andere Sprachen kann man mit den beiliegenden<\/a><\/noindex> Anleitung<\/a><\/noindex> das System selbstst\u00e4ndig trainieren, indem man Stimmendaten<\/a><\/noindex>, die von dem Projekt Common Voice gesammelt wurden, verwendet. <\/p>\n

DeepSpeech ist deutlich einfacher als traditionelle Systeme und bietet gleichzeitig eine h\u00f6here Erkennungsqualit\u00e4t bei Vorhandensein von Hintergrundger\u00e4uschen. In der Entwicklung werden keine traditionellen akustischen Modelle und die Konzept von Phonemen verwendet, stattdessen kommt ein gut optimiertes maschinelles Lernsystem auf Basis eines neuronalen Netzwerks zum Einsatz, das es erm\u00f6glicht, ohne die Entwicklung separater Komponenten zur Modellierung verschiedener St\u00f6rungen wie L\u00e4rm, Echo und Sprechmerkmale auszukommen. <\/p>\n

Ein Nachteil dieses Ansatzes ist, dass f\u00fcr eine qualitativ hochwertige Erkennung und zum Training des neuronalen Netzwerks die DeepSpeech-Engine eine gro\u00dfe Menge heterogener Daten erfordert, die unter realen Bedingungen mit unterschiedlichen Stimmen und bei nat\u00fcrlichen Ger\u00e4uschen diktiert wurden.
\nDas Sammeln solcher Daten wird durch das in Mozilla gegr\u00fcndete Projekt Common Voice<\/a><\/noindex>unterst\u00fctzt, das einen validierten Datensatz mit 780 Stunden in Englisch<\/a><\/noindex>, 325 in Deutsch, 173 in Franz\u00f6sisch und 27 Stunden in Russisch bereitstellt. <\/p>\n

Das Endziel des Common Voice Projekts besteht darin, 10.000 Stunden Aufnahmen mit verschiedenen Aussprachen typischer menschlicher Sprachphrasen zu sammeln, was einen akzeptablen Fehlergrad bei der Spracherkennung erm\u00f6glicht. In der aktuellen Form wurden insgesamt bereits 4,3 Tausend Stunden von den Projektteilnehmern diktiert, von denen 3,5 Tausend erfolgreich \u00fcberpr\u00fcft wurden. F\u00fcr das Training des endg\u00fcltigen Modells der englischen Sprache f\u00fcr DeepSpeech wurden 3.816 Stunden Sprache verwendet, zus\u00e4tzlich zu Common Voice, das Daten aus den Projekten LibriSpeech, Fisher und Switchboard umfasst und etwa 1.700 Stunden transkribierter Aufnahmen von Radioshows beinhaltet.<\/p>\n

Bei Verwendung des bereitgestellten, herunterladbaren Modells der englischen Sprache liegt der Fehlergrad bei der Spracherkennung in DeepSpeech bei 7,5 % bei der Bewertung mit einem Testset. LibriSpeech<\/a><\/noindex>. Zum Vergleich liegt der Fehlergrad bei der Erkennung durch Menschen mit 60 % eingesch\u00e4tzt) und 0.8. Zu den erwarteten \u00c4nderungen geh\u00f6ren die Umstellung der Unterst\u00fctzung von Ceph Block und Ceph Object auf den Beta-Status, dynamisches Provisioning von Volumes f\u00fcr CephFS, ein erweitertes Logging-System, automatisierte Cluster-Updates und Unterst\u00fctzung von Snapshots f\u00fcr Volumes.<\/a><\/noindex> bei 5,83%.<\/p>\n

DeepSpeech besteht aus zwei Subsystemen \u2013 einem akustischen Modell und einem Dekodierer. Das akustische Modell nutzt Methoden des tiefen maschinellen Lernens, um die Wahrscheinlichkeit bestimmter Zeichen im Eingangssignal zu berechnen. Der Dekodierer wendet einen Strahlensuchalgorithmus an, um die Wahrscheinlichkeitsdaten der Zeichen in eine Textdarstellung umzuwandeln.<\/p>\n

Haupt- Neuheiten<\/a><\/noindex> DeepSpeech 0.6 (der Branch 0.6 ist nicht kompatibel mit fr\u00fcheren Versionen und erfordert ein Update des Codes und der Modelle):<\/p>\n