{"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\/es\/blog\/news\/otkryt-kod-sistemy-raspoznavaniya-i-perevoda-rechi-whisper","title":{"rendered":"C\u00f3digo del sistema de reconocimiento y traducci\u00f3n de voz Whisper abierto","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
El proyecto OpenAI, que se dedica al desarrollo de proyectos de inteligencia artificial de acceso p\u00fablico, ha publicado avances relacionados con el sistema de reconocimiento de voz Whisper. Se afirma que para el habla en ingl\u00e9s, el sistema proporciona niveles de fiabilidad y precisi\u00f3n de reconocimiento autom\u00e1tico cercanos a los de un ser humano. El c\u00f3digo de la implementaci\u00f3n de referencia est\u00e1 disponible en la base del marco PyTorch y se han liberado un conjunto de modelos ya entrenados, listos para usar. El c\u00f3digo se publica bajo la licencia MIT. <\/p>\n
Para entrenar el modelo se utilizaron 680 mil horas de datos de voz, recopilados de varias colecciones que abarcan diferentes idiomas y \u00e1reas tem\u00e1ticas. Aproximadamente 1\/3 de los datos de voz utilizados para el entrenamiento corresponden a idiomas distintos del ingl\u00e9s. El sistema propuesto maneja correctamente situaciones como pronunciaci\u00f3n con acento, presencia de ruido de fondo y uso de jerga t\u00e9cnica. Adem\u00e1s de la transcripci\u00f3n de voz a texto, el sistema tambi\u00e9n puede traducir la voz de cualquier idioma al ingl\u00e9s y detectar la aparici\u00f3n de voz en el flujo de audio. <\/p>\n
Los modelos se han formado en dos versiones: un modelo para el idioma ingl\u00e9s y un modelo multiling\u00fce que admite, entre otros, los idiomas ruso, ucraniano y bielorruso. A su vez, cada versi\u00f3n se divide en 5 variantes, que difieren en tama\u00f1o y n\u00famero de par\u00e1metros incluidos en el modelo. Cuanto mayor es el tama\u00f1o, mayor es la precisi\u00f3n y calidad del reconocimiento, pero tambi\u00e9n mayores son los requisitos para el tama\u00f1o de la memoria de video del GPU y menor es el rendimiento. Por ejemplo, la variante m\u00ednima incluye 39 millones de par\u00e1metros y requiere 1 GB de memoria de video, mientras que la variante m\u00e1xima incluye 1550 millones de par\u00e1metros y requiere 10 GB de memoria de video. La variante m\u00ednima es 32 veces m\u00e1s r\u00e1pida que la m\u00e1xima.
<\/center> <\/p>\n
El sistema utiliza una arquitectura de red neuronal llamada 'Transformer', que incluye un codificador y un decodificador que interact\u00faan entre s\u00ed. El sonido se divide en fragmentos de 30 segundos, que se convierten en un espectrograma log-Mel y se env\u00edan al codificador. El resultado del trabajo del codificador se env\u00eda al decodificador, que predice la representaci\u00f3n textual, combinada con tokens especiales que permiten resolver en un solo modelo tareas como la identificaci\u00f3n del idioma, el seguimiento de la cronolog\u00eda de la pronunciaci\u00f3n de frases, la transcripci\u00f3n de voz en diferentes idiomas y la traducci\u00f3n al ingl\u00e9s. \n Fuente: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![\"C\u00f3digo](\"\/wp-content\/uploads\/2022\/09\/d6aa63e77cddead1a7abfa9083ff37cb.jpg\")
<\/center> <\/p>\n