{"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\/hr\/blog\/news\/kompaniya-mozilla-predstavila-dvizhok-raspoznavaniya-rechi-deepspeech-0-6","title":{"rendered":"Tvrtka Mozilla predstavila je engine za prepoznavanje govora DeepSpeech 0.6","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Predstavljen<\/a><\/noindex> izdanje razvijenog od strane kompanije Mozilla pokreta\u010da prepoznavanja govora DeepSpeech 0.6<\/a><\/noindex>, koji implementira istoimenu arhitekturu prepoznavanja govora, predlo\u017eenu<\/a><\/noindex> istra\u017eiva\u010dima iz kompanije Baidu. Implementacija je napisana na programskom jeziku Python koriste\u0107i platformu za ma\u0161insko u\u010denje TensorFlow i distribuira se<\/a><\/noindex> pod slobodnom licencom MPL 2.0. Podr\u017eava rad na Linuxu, Androidu, macOS-u i Windows-u. Performanse su dovoljno dobre za kori\u0161\u0107enje pokreta\u010da na LePotato plo\u010dama, Raspberry Pi 3 i Raspberry Pi 4.<\/p>\n

Usetu su tako\u0111e predlo\u017eeni<\/a><\/noindex> obu\u010deni modeli, primjeri<\/a><\/noindex> zvu\u010dnih datoteka i alati za prepoznavanje iz naredne linije. Za ugradnju funkcije prepoznavanja govora u svoje programe predlo\u017eeni su gotovi moduli za Python, NodeJS, C++ i .NET (spoljni developeri su zasebno pripremili module za Rust<\/a><\/noindex> i Go<\/a><\/noindex>). Gotov model se isporu\u010duje samo na engleskom jeziku, ali za druge jezike po prilo\u017eenoj<\/a><\/noindex> uputi<\/a><\/noindex> mo\u017ee se obu\u010diti sistem samostalno, koriste\u0107i govorne podatke<\/a><\/noindex>, prikupljene projektom Common Voice. <\/p>\n

DeepSpeech je zna\u010dajno jednostavniji od tradicionalnih sistema i pri tome pru\u017ea visoku kvalitet prepoznavanja u prisustvu spoljnog \u0161uma. U razvoju se ne koriste tradicionalni akusti\u010dni modeli i koncept fonema, umesto njih se primenjuje dobro optimizovani sistem ma\u0161inskog u\u010denja zasnovan na neuronskoj mre\u017ei, koji omogu\u0107ava izbegavanje izrade pojedina\u010dnih komponenti za modelovanje razli\u010ditih odstupanja, kao \u0161to su \u0161um, eho i karakteristike govora. <\/p>\n

Negativna strana sli\u010dnog pristupa je to \u0161to za postizanje kvalitetnog prepoznavanja i obuke neuronske mre\u017ee pokreta\u010d DeepSpeech zahteva veliki obim raznovrsnih podataka, narativnih u stvarnim uslovima razli\u010ditim glasovima i uz prisustvo prirodnih \u0161umova.
\nPrikupljanjem sli\u010dnih podataka bavi se projekat osnovan u Mozilli Common Voice<\/a><\/noindex>, koji pru\u017ea proverene podatke sa 780 \u010dasova na engleskom jeziku<\/a><\/noindex>, 325 na nema\u010dkom, 173 na francuskom i 27 \u010dasova na ruskom. <\/p>\n

Kona\u010dni cilj projekta Common Voice je prikupljanje 10 tisu\u0107a sati snimaka razli\u010ditih izgovora tipi\u010dnih fraza ljudskog govora, \u0161to \u0107e omogu\u0107iti postizanje prihvatljivog nivoa gre\u0161aka u prepoznavanju. U trenutnom obliku, sudionici projekta su ve\u0107 snimili ukupno 4.3 tisu\u0107e sati, od \u010dega je 3.5 tisu\u0107a pro\u0161lo provjeru. Za obuku kona\u010dnog modela engleskog jezika za DeepSpeech kori\u0161teno je 3816 sati govora, pored Common Voice koji uklju\u010duje podatke iz projekata LibriSpeech, Fisher i Switchboard, te obuhva\u0107a oko 1700 sati transkribiranih snimaka radijskih emisija.<\/p>\n

Pri kori\u0161tenju predlo\u017eene gotove engleske jezi\u010dne modele, nivo gre\u0161aka prepoznavanja u DeepSpeech iznosi 7.5% prema testnom skupu. LibriSpeech<\/a><\/noindex>. Za usporedbu, nivo gre\u0161aka prilikom prepoznavanja od strane ljudi procjenjuje se<\/a><\/noindex> na 5.83%.<\/p>\n

DeepSpeech se sastoji od dva podsustava \u2014 akusti\u010dkog modela i dekodera. Akusti\u010dki model koristi metode dubokog strojnog u\u010denja za izra\u010dunavanje vjerojatnosti prisutnosti odre\u0111enih simbola u zvuku koji se unosi. Dekoder primjenjuje algoritam pretra\u017eivanja putem zra\u010denja za pretvaranje podataka o vjerojatnosti simbola u tekstualno predstavljanje.<\/p>\n

Glavne novosti<\/a><\/noindex> DeepSpeech 0.6 (grana 0.6 nije kompatibilna s prethodnim verzijama i zahtijeva a\u017euriranje koda i modela):<\/p>\n