વ્હીસ્પર સ્પીચ રેકગ્નિશન અને ટ્રાન્સલેશન સિસ્ટમ માટે કોડ ખોલવામાં આવ્યો છે

ઓપનએઆઈ પ્રોજેક્ટ, જે આર્ટિફિશિયલ ઈન્ટેલિજન્સ ક્ષેત્રે જાહેર પ્રોજેક્ટ્સ વિકસાવે છે, તેણે વ્હીસ્પર સ્પીચ રેકગ્નિશન સિસ્ટમથી સંબંધિત વિકાસ પ્રકાશિત કર્યો છે. એવો દાવો કરવામાં આવે છે કે અંગ્રેજીમાં ભાષણ માટે સિસ્ટમ માનવીય ઓળખની નજીક સ્વચાલિત ઓળખની વિશ્વસનીયતા અને સચોટતાના સ્તરો પ્રદાન કરે છે. PyTorch ફ્રેમવર્ક પર આધારિત સંદર્ભ અમલીકરણ માટે કોડ અને પહેલેથી જ પ્રશિક્ષિત મોડલનો સમૂહ, ઉપયોગ માટે તૈયાર છે, ખોલવામાં આવ્યો છે. કોડ MIT લાયસન્સ હેઠળ ખુલ્લો છે.

મોડેલને તાલીમ આપવા માટે, 680 હજાર કલાકના ભાષણ ડેટાનો ઉપયોગ કરવામાં આવ્યો હતો, જે વિવિધ ભાષાઓ અને વિષય વિસ્તારોને આવરી લેતા ઘણા સંગ્રહમાંથી એકત્રિત કરવામાં આવ્યો હતો. તાલીમમાં સામેલ ભાષણ ડેટામાંથી લગભગ 1/3 અંગ્રેજી સિવાયની ભાષાઓમાં છે. સૂચિત સિસ્ટમ ઉચ્ચારણ ઉચ્ચારણ, પૃષ્ઠભૂમિ અવાજ અને તકનીકી કલકલનો ઉપયોગ જેવી પરિસ્થિતિઓને યોગ્ય રીતે સંભાળે છે. વાણીને ટેક્સ્ટમાં ટ્રાન્સક્રાઈબ કરવા ઉપરાંત, સિસ્ટમ કોઈપણ ભાષામાંથી અંગ્રેજીમાં ભાષણનો અનુવાદ પણ કરી શકે છે અને ઑડિઓ સ્ટ્રીમમાં ભાષણનો દેખાવ શોધી શકે છે.

મોડેલો બે રજૂઆતોમાં રચાય છે: અંગ્રેજી ભાષા માટેનું મોડેલ અને બહુભાષી મોડેલ, જે રશિયન, યુક્રેનિયન અને બેલારુસિયન ભાષાઓને પણ સમર્થન આપે છે. બદલામાં, દરેક રજૂઆતને 5 વિકલ્પોમાં વિભાજિત કરવામાં આવે છે, જે કદ અને મોડેલમાં આવરી લેવામાં આવેલા પરિમાણોની સંખ્યામાં ભિન્ન હોય છે. કદ જેટલું મોટું છે, તેટલી વધુ સચોટતા અને ઓળખની ગુણવત્તા, પણ GPU વિડિયો મેમરીના કદ માટેની આવશ્યકતાઓ પણ તેટલી વધારે છે અને પ્રદર્શન ઓછું છે. ઉદાહરણ તરીકે, ન્યૂનતમ વિકલ્પમાં 39 મિલિયન પેરામીટર્સનો સમાવેશ થાય છે અને તેને 1 GB વિડિયો મેમરીની જરૂર હોય છે, અને મહત્તમમાં 1550 મિલિયન પેરામીટર્સનો સમાવેશ થાય છે અને તેને 10 GB વિડિયો મેમરીની જરૂર હોય છે. લઘુત્તમ વિકલ્પ મહત્તમ કરતાં 32 ગણો ઝડપી છે.

સિસ્ટમ ટ્રાન્સફોર્મર ન્યુરલ નેટવર્ક આર્કિટેક્ચરનો ઉપયોગ કરે છે, જેમાં એન્કોડર અને ડીકોડરનો સમાવેશ થાય છે જે એકબીજા સાથે ક્રિયાપ્રતિક્રિયા કરે છે. ઓડિયોને 30-સેકન્ડના હિસ્સામાં વિભાજિત કરવામાં આવે છે, જે લોગ-મેલ સ્પેક્ટ્રોગ્રામમાં રૂપાંતરિત થાય છે અને એન્કોડરમાં મોકલવામાં આવે છે. એન્કોડરનું આઉટપુટ ડીકોડરને મોકલવામાં આવે છે, જે વિશિષ્ટ ટોકન્સ સાથે મિશ્રિત ટેક્સ્ટ રજૂઆતની આગાહી કરે છે જે, એક સામાન્ય મોડેલમાં, ભાષાની શોધ, શબ્દસમૂહોના ઉચ્ચારણની ઘટનાક્રમ માટે એકાઉન્ટિંગ, માં ભાષણનું ટ્રાન્સક્રિપ્શન જેવી સમસ્યાઓ હલ કરવાની મંજૂરી આપે છે. વિવિધ ભાષાઓ અને અંગ્રેજીમાં અનુવાદ.

સોર્સ: opennet.ru