{"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\/es\/blog\/news\/kompaniya-mozilla-predstavila-dvizhok-raspoznavaniya-rechi-deepspeech-0-6","title":{"rendered":"En la primera parte habl\u00e9 brevemente sobre la propia construcci\u00f3n que permite hacer una computadora que pueda ejecutar unRAID.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Presentado<\/a><\/noindex> lanzamiento del motor de reconocimiento de voz desarrollado por Mozilla DeepSpeech 0.6<\/a><\/noindex>, que implementa la arquitectura de reconocimiento de voz del mismo nombre, propuesta<\/a><\/noindex> por investigadores de Baidu. La implementaci\u00f3n est\u00e1 escrita en Python utilizando la plataforma de aprendizaje autom\u00e1tico TensorFlow y se distribuye<\/a><\/noindex> est\u00e1 bajo la licencia abierta MPL 2.0. Se admite su funcionamiento en Linux, Android, macOS y Windows. La potencia es suficiente para usar el motor en placas LePotato, Raspberry Pi 3 y Raspberry Pi 4.<\/p>\n

El paquete tambi\u00e9n incluye disponibles<\/a><\/noindex> modelos entrenados, ejemplos<\/a><\/noindex> archivos de audio y herramientas para el reconocimiento desde la l\u00ednea de comandos. Para integrar la funci\u00f3n de reconocimiento de voz en sus programas, se ofrecen m\u00f3dulos listos para usar para Python, NodeJS, C++ y .NET (desarrolladores externos han preparado m\u00f3dulos para Rust<\/a><\/noindex> y Go<\/a><\/noindex>). El modelo listo se ofrece solo para el idioma ingl\u00e9s, pero para otros idiomas se puede entrenar el sistema por<\/a><\/noindex> la gu\u00eda<\/a><\/noindex> la documentaci\u00f3n adjunta, utilizando datos de voz<\/a><\/noindex>, recopilados por el proyecto Common Voice. <\/p>\n

DeepSpeech es significativamente m\u00e1s sencillo que los sistemas tradicionales y, al mismo tiempo, proporciona una mayor calidad de reconocimiento en presencia de ruido externo. No se utilizan modelos ac\u00fasticos tradicionales ni la concepci\u00f3n de fonemas; en su lugar, se aplica un sistema de aprendizaje autom\u00e1tico bien optimizado basado en redes neuronales, lo que permite prescindir del desarrollo de componentes separados para modelar diferentes desviaciones, como ruido, eco y peculiaridades del habla. <\/p>\n

La desventaja de este enfoque es que, para obtener un reconocimiento de calidad y entrenar la red neuronal, el motor DeepSpeech requiere un gran volumen de datos heterog\u00e9neos, dictados en condiciones reales por diferentes voces y en presencia de ruidos naturales.
\nLa recopilaci\u00f3n de tales datos es realizada por el proyecto creado en Mozilla Common Voice<\/a><\/noindex>, que proporciona un conjunto de datos verificado con 780 horas en ingl\u00e9s<\/a><\/noindex>, 325 en alem\u00e1n, 173 en franc\u00e9s y 27 horas en ruso. <\/p>\n

El objetivo final del proyecto Common Voice es acumular 10,000 horas de grabaciones con diferentes pronunciaciones de frases t\u00edpicas del habla humana, lo que permitir\u00e1 alcanzar un nivel aceptable de errores en el reconocimiento. En su estado actual, los participantes del proyecto ya han dictado un total de 4,3 mil horas, de las cuales 3,5 mil han sido verificadas. Para entrenar el modelo final del idioma ingl\u00e9s para DeepSpeech se utilizaron 3,816 horas de habla, adem\u00e1s de Common Voice, que abarca datos de los proyectos LibriSpeech, Fisher y Switchboard, as\u00ed como alrededor de 1,700 horas de grabaciones transcritas de programas de radio.<\/p>\n

Al utilizar el modelo preentrenado de idioma ingl\u00e9s, la tasa de errores de reconocimiento en DeepSpeech es del 7,5% seg\u00fan la evaluaci\u00f3n del conjunto de prueba. LibriSpeech<\/a><\/noindex>. En comparaci\u00f3n, la tasa de errores al ser reconocido por un ser humano se eval\u00faa<\/a><\/noindex> en 5,83%.<\/p>\n

DeepSpeech consta de dos subsistemas: un modelo ac\u00fastico y un decodificador. El modelo ac\u00fastico utiliza m\u00e9todos de aprendizaje profundo para calcular la probabilidad de que existan ciertos s\u00edmbolos en el sonido ingresado. El decodificador aplica un algoritmo de b\u00fasqueda de ruta para transformar los datos de probabilidad de los s\u00edmbolos en una representaci\u00f3n textual.<\/p>\n

Principales novedades<\/a><\/noindex> DeepSpeech 0.6 (la rama 0.6 no es compatible con versiones anteriores y requiere actualizaci\u00f3n del c\u00f3digo y los modelos):<\/p>\n