મોઝિલાએ સ્પીચ રેકગ્નિશન એન્જિન ડીપસ્પીચ 0.6 રજૂ કર્યું

દ્રારા રજુ કરેલ મોઝિલા દ્વારા વિકસિત સ્પીચ રેકગ્નિશન એન્જિનનું પ્રકાશન ડીપ સ્પીચ 0.6, જે સમાન નામના વાણી ઓળખ આર્કિટેક્ચરનો અમલ કરે છે, પ્રસ્તાવિત Baidu ના સંશોધકો દ્વારા. TensorFlow મશીન લર્નિંગ પ્લેટફોર્મનો ઉપયોગ કરીને અમલીકરણ પાયથોનમાં લખાયેલ છે અને દ્વારા વિતરિત મફત MPL 2.0 લાયસન્સ હેઠળ. Linux, Android, macOS અને Windows પર કામને સપોર્ટ કરે છે. LePotato, Raspberry Pi 3 અને Raspberry Pi 4 બોર્ડ પર એન્જિનનો ઉપયોગ કરવા માટે પર્ફોર્મન્સ પૂરતું છે.

સેટમાં પણ સામેલ છે ઓફર કરવામાં આવે છે પ્રશિક્ષિત મોડેલો, ઉદાહરણો આદેશ વાક્યમાંથી સાઉન્ડ ફાઇલો અને ઓળખ સાધનો. તમારા પ્રોગ્રામ્સમાં સ્પીચ રેકગ્નિશન ફંક્શનને એકીકૃત કરવા માટે, Python, NodeJS, C++ અને .NET માટે ઉપયોગમાં લેવા માટે તૈયાર મોડ્યુલો ઓફર કરવામાં આવે છે (તૃતીય-પક્ષ વિકાસકર્તાઓએ અલગથી મોડ્યુલો તૈયાર કર્યા છે. કાટ и Go). ફિનિશ્ડ મોડેલ ફક્ત અંગ્રેજી માટે જ પૂરું પાડવામાં આવે છે, પરંતુ અન્ય ભાષાઓ માટે જોડાયેલ સૂચનો તમે સિસ્ટમનો ઉપયોગ કરીને જાતે તાલીમ આપી શકો છો વૉઇસ ડેટા, કોમન વોઈસ પ્રોજેક્ટ દ્વારા એકત્રિત.

ડીપ સ્પીચ પરંપરાગત પ્રણાલીઓ કરતાં ઘણી સરળ છે અને તે જ સમયે બહારના અવાજની હાજરીમાં ઉચ્ચ ગુણવત્તાની ઓળખ પૂરી પાડે છે. તે પરંપરાગત એકોસ્ટિક મોડલ્સ અને ફોનેમ્સની વિભાવનાને બાયપાસ કરે છે, તેના બદલે અત્યંત ઑપ્ટિમાઇઝ ન્યુરલ નેટવર્ક-આધારિત મશીન લર્નિંગ સિસ્ટમનો ઉપયોગ કરે છે જે અવાજ, ઇકો અને વાણી સુવિધાઓ જેવી વિવિધ વિસંગતતાઓને મોડેલ કરવા માટે અલગ ઘટકો વિકસાવવાની જરૂરિયાતને દૂર કરે છે.

આ અભિગમનું નુકસાન એ છે કે ન્યુરલ નેટવર્કની ઉચ્ચ-ગુણવત્તાની ઓળખ અને તાલીમ મેળવવા માટે, ડીપસ્પીચ એન્જિનને વિવિધ અવાજો દ્વારા અને કુદરતી અવાજની હાજરીમાં વાસ્તવિક પરિસ્થિતિઓમાં નિર્ધારિત, વિજાતીય ડેટાની મોટી માત્રાની જરૂર છે.
મોઝિલામાં બનાવેલો પ્રોજેક્ટ આવો ડેટા ભેગો કરે છે. સામાન્ય અવાજ, 780 કલાક સાથે ચકાસાયેલ ડેટાસેટ પ્રદાન કરે છે અંગ્રેજી ભાષા, જર્મનમાં 325, ફ્રેન્ચમાં 173 અને રશિયનમાં 27 કલાક.

કોમન વોઈસ પ્રોજેક્ટનો અંતિમ ધ્યેય માનવ ભાષણના લાક્ષણિક શબ્દસમૂહોના વિવિધ ઉચ્ચારણોના 10 હજાર કલાકના રેકોર્ડિંગ્સ એકઠા કરવાનું છે, જે માન્યતામાં ભૂલોના સ્વીકાર્ય સ્તરને પ્રાપ્ત કરવાની મંજૂરી આપશે. તેના વર્તમાન સ્વરૂપમાં, પ્રોજેક્ટ સહભાગીઓએ પહેલેથી જ કુલ 4.3 હજાર કલાકો નક્કી કર્યા છે, જેમાંથી 3.5 હજારનું પરીક્ષણ કરવામાં આવ્યું છે. ડીપ સ્પીચ માટે અંગ્રેજી ભાષાના અંતિમ મોડલને તાલીમ આપતી વખતે, 3816 કલાકની સ્પીચનો ઉપયોગ કરવામાં આવ્યો હતો, જેમાં લિબ્રીસ્પીચ, ફિશર અને સ્વિચબોર્ડ પ્રોજેક્ટ્સમાંથી સામાન્ય અવાજને આવરી લેતા ડેટા ઉપરાંત, અને લગભગ 1700 કલાકની ટ્રાન્સક્રિપ્ટેડ રેડિયો શો રેકોર્ડિંગ્સનો સમાવેશ થતો હતો.

ડાઉનલોડ માટે ઓફર કરેલા તૈયાર અંગ્રેજી ભાષાના મોડલનો ઉપયોગ કરતી વખતે, ટેસ્ટ સેટ સાથે મૂલ્યાંકન કરવામાં આવે ત્યારે ડીપસ્પીચમાં ઓળખની ભૂલનો દર 7.5% છે. લિબ્રી સ્પીચ. સરખામણી માટે, માનવીય ઓળખ માટે ભૂલ દર અંદાજ 5.83% પર.

ડીપસ્પીચમાં બે સબસિસ્ટમનો સમાવેશ થાય છે - એક એકોસ્ટિક મોડલ અને ડીકોડર. એકોસ્ટિક મોડલ ઇનપુટ સાઉન્ડમાં ચોક્કસ અક્ષરોની હાજરીની સંભાવનાની ગણતરી કરવા માટે ડીપ મશીન લર્નિંગ પદ્ધતિઓનો ઉપયોગ કરે છે. ડીકોડર કેરેક્ટર પ્રોબેબિલિટી ડેટાને ટેક્સ્ટ રજૂઆતમાં કન્વર્ટ કરવા માટે રે શોધ અલ્ગોરિધમનો ઉપયોગ કરે છે.

મુખ્ય નવીનતાઓ ડીપસ્પીચ 0.6 (0.6 શાખા અગાઉના પ્રકાશનો સાથે સુસંગત નથી અને તેને કોડ અને મોડલ અપડેટની જરૂર છે):

• એક નવું સ્ટ્રીમિંગ ડીકોડર પ્રસ્તાવિત છે જે ઉચ્ચ પ્રતિભાવ પ્રદાન કરે છે અને પ્રોસેસ્ડ ઓડિયો ડેટાના કદથી સ્વતંત્ર છે. પરિણામે, ડીપસ્પીચનું નવું વર્ઝન 260 એમએસની ઓળખ માટે લેટન્સી ઘટાડવામાં સફળ થયું, જે પહેલા કરતા 73% વધુ ઝડપી છે અને ડીપસ્પીચને ફ્લાય પર સ્પીચ રેકગ્નિશન સોલ્યુશન્સમાં ઉપયોગમાં લેવાની મંજૂરી આપે છે.
• API માં ફેરફારો કરવામાં આવ્યા છે અને કાર્ય નામોને એકીકૃત કરવા માટે કાર્ય કરવામાં આવ્યું છે. સિંક્રનાઇઝેશન વિશે વધારાના મેટાડેટા મેળવવા માટે કાર્યો ઉમેરવામાં આવ્યા છે, જે તમને માત્ર આઉટપુટ તરીકે ટેક્સ્ટની રજૂઆત પ્રાપ્ત કરવા માટે જ નહીં, પણ ઑડિઓ સ્ટ્રીમમાં સ્થાન પર વ્યક્તિગત અક્ષરો અને વાક્યોના બંધનને ટ્રૅક કરવા માટે પણ પરવાનગી આપે છે.
• લાઇબ્રેરીનો ઉપયોગ કરવા માટેનો આધાર તાલીમ મોડ્યુલો માટે ટૂલકીટમાં ઉમેરવામાં આવ્યો છે CuDNN રિકરન્ટ ન્યુરલ નેટવર્ક્સ (RNN) સાથે કામને ઑપ્ટિમાઇઝ કરવા માટે, જેણે મોડેલ તાલીમ પ્રદર્શનમાં નોંધપાત્ર (લગભગ બે ગણો) વધારો હાંસલ કરવાનું શક્ય બનાવ્યું, પરંતુ કોડમાં જરૂરી ફેરફારો કે જે અગાઉ તૈયાર કરેલ મોડલ્સ સાથે સુસંગતતાનું ઉલ્લંઘન કરે છે.
• ન્યૂનતમ ટેન્સરફ્લો સંસ્કરણ આવશ્યકતાઓને 1.13.1 થી વધારીને 1.14.0 કરવામાં આવી છે. ટેન્સરફ્લો લાઇટની લાઇટવેઇટ એડિશન માટે ઉમેરાયેલ સપોર્ટ, જે ડીપસ્પીચ પેકેજનું કદ 98 MB થી ઘટાડીને 3.7 MB કરે છે. એમ્બેડેડ અને મોબાઇલ ઉપકરણો પર ઉપયોગ માટે, મોડેલ સાથેની પેક્ડ ફાઇલનું કદ પણ 188 MB થી ઘટાડીને 47 MB ​​કરવામાં આવ્યું છે (મૉડલને તાલીમ આપ્યા પછી કમ્પ્રેશન માટે પરિમાણ પદ્ધતિનો ઉપયોગ કરવામાં આવે છે).
• ભાષા મોડેલને અલગ ડેટા સ્ટ્રક્ચર ફોર્મેટમાં અનુવાદિત કરવામાં આવ્યું છે જે લોડ થાય ત્યારે ફાઇલોને મેમરીમાં મેપ કરવાની મંજૂરી આપે છે. જૂના ફોર્મેટ માટે સપોર્ટ બંધ કરવામાં આવ્યો છે.
• ભાષા મોડેલ સાથે ફાઇલ લોડ કરવાનો મોડ બદલાઈ ગયો છે, જેણે મેમરીનો વપરાશ ઘટાડ્યો છે અને મોડલ બનાવ્યા પછી પ્રથમ વિનંતી પર પ્રક્રિયા કરતી વખતે વિલંબમાં ઘટાડો કર્યો છે. ઓપરેશન દરમિયાન, ડીપ સ્પીચ હવે 22 ગણી ઓછી મેમરી વાપરે છે અને 500 ગણી ઝડપથી શરૂ થાય છે.
  

• ભાષાના નમૂનામાં દુર્લભ શબ્દો ફિલ્ટર કરવામાં આવ્યા હતા. મોડેલને તાલીમ આપવા માટે ઉપયોગમાં લેવાતા ટેક્સ્ટમાં જોવા મળતા સૌથી વધુ લોકપ્રિય શબ્દોમાંથી શબ્દોની કુલ સંખ્યા ઘટાડીને 500 હજાર કરવામાં આવી હતી. સફાઈથી ભાષાના મોડલનું કદ 1800MB થી 900MB સુધી ઘટાડવાનું શક્ય બન્યું, ઓળખની ભૂલ દર પર વર્ચ્યુઅલ રીતે કોઈ અસર થઈ નથી.
• વિવિધ માટે ઉમેરાયેલ આધાર તકનીકી તાલીમમાં વપરાતા ઓડિયો ડેટાની વધારાની વિવિધતાઓ (વૃદ્ધિ) બનાવવી (ઉદાહરણ તરીકે, વિકલ્પોના સમૂહમાં વિકૃતિ અથવા અવાજ ઉમેરવો).
• .NET પ્લેટફોર્મ પર આધારિત એપ્લીકેશનો સાથે સંકલન માટે બાઈન્ડીંગ્સ સાથે લાઈબ્રેરી ઉમેરી.
• દસ્તાવેજીકરણ ફરીથી કામ કરવામાં આવ્યું છે અને હવે એક અલગ વેબસાઇટ પર એકત્રિત કરવામાં આવે છે. deepspeech.readthedocs.io.

સોર્સ: opennet.ru