व्हिस्पर वाक् पहचान और अनुवाद प्रणाली के लिए कोड खोल दिया गया है

ओपनएआई परियोजना, जो कृत्रिम बुद्धिमत्ता के क्षेत्र में सार्वजनिक परियोजनाएं विकसित करती है, ने व्हिस्पर वाक् पहचान प्रणाली से संबंधित विकास प्रकाशित किया है। यह दावा किया जाता है कि अंग्रेजी में भाषण के लिए प्रणाली मानव मान्यता के करीब स्वचालित पहचान की विश्वसनीयता और सटीकता के स्तर प्रदान करती है। PyTorch फ्रेमवर्क पर आधारित संदर्भ कार्यान्वयन के लिए कोड और उपयोग के लिए तैयार पहले से प्रशिक्षित मॉडल का एक सेट खोला गया है। कोड एमआईटी लाइसेंस के तहत खुला है।

मॉडल को प्रशिक्षित करने के लिए, विभिन्न भाषाओं और विषय क्षेत्रों को कवर करने वाले कई संग्रहों से एकत्र किए गए 680 हजार घंटे के भाषण डेटा का उपयोग किया गया था। प्रशिक्षण में शामिल भाषण डेटा का लगभग 1/3 भाग अंग्रेजी के अलावा अन्य भाषाओं में है। प्रस्तावित प्रणाली उच्चारण उच्चारण, पृष्ठभूमि शोर और तकनीकी शब्दजाल के उपयोग जैसी स्थितियों को सही ढंग से संभालती है। भाषण को पाठ में लिखने के अलावा, सिस्टम किसी भी भाषा से भाषण का अंग्रेजी में अनुवाद भी कर सकता है और ऑडियो स्ट्रीम में भाषण की उपस्थिति का पता लगा सकता है।

मॉडल दो अभ्यावेदन में बने हैं: अंग्रेजी भाषा के लिए एक मॉडल और एक बहुभाषी मॉडल, जो रूसी, यूक्रेनी और बेलारूसी भाषाओं का भी समर्थन करता है। बदले में, प्रत्येक प्रतिनिधित्व को 5 विकल्पों में विभाजित किया गया है, जो आकार और मॉडल में शामिल मापदंडों की संख्या में भिन्न हैं। आकार जितना बड़ा होगा, पहचान की सटीकता और गुणवत्ता उतनी ही अधिक होगी, लेकिन GPU वीडियो मेमोरी के आकार की आवश्यकताएं भी उतनी ही अधिक होंगी और प्रदर्शन उतना ही कम होगा। उदाहरण के लिए, न्यूनतम विकल्प में 39 मिलियन पैरामीटर शामिल हैं और इसके लिए 1 जीबी वीडियो मेमोरी की आवश्यकता है, और अधिकतम में 1550 मिलियन पैरामीटर शामिल हैं और 10 जीबी वीडियो मेमोरी की आवश्यकता है। न्यूनतम विकल्प अधिकतम से 32 गुना तेज है।

सिस्टम ट्रांसफॉर्मर न्यूरल नेटवर्क आर्किटेक्चर का उपयोग करता है, जिसमें एक एनकोडर और डिकोडर शामिल होते हैं जो एक दूसरे के साथ इंटरैक्ट करते हैं। ऑडियो को 30-सेकंड के टुकड़ों में विभाजित किया गया है, जिन्हें लॉग-मेल स्पेक्ट्रोग्राम में परिवर्तित किया जाता है और एनकोडर को भेजा जाता है। एनकोडर का आउटपुट डिकोडर को भेजा जाता है, जो विशेष टोकन के साथ मिश्रित पाठ प्रतिनिधित्व की भविष्यवाणी करता है जो एक सामान्य मॉडल में, भाषा का पता लगाने, वाक्यांशों के उच्चारण के कालक्रम के लिए लेखांकन, भाषण के प्रतिलेखन जैसी समस्याओं को हल करने की अनुमति देता है। विभिन्न भाषाएँ, और अंग्रेजी में अनुवाद।

स्रोत: opennet.ru