{"id":105165,"date":"2022-09-25T21:36:38","date_gmt":"2022-09-25T19:36:39","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/otkryt-kod-sistemy-raspoznavaniya-i-perevoda-rechi-whisper"},"modified":"2022-09-25T21:36:38","modified_gmt":"2022-09-25T19:36:39","slug":"otkryt-kod-sistemy-raspoznavaniya-i-perevoda-rechi-whisper","status":"publish","type":"post","link":"https:\/\/prohoster.info\/it\/blog\/news\/otkryt-kod-sistemy-raspoznavaniya-i-perevoda-rechi-whisper","title":{"rendered":"Il codice del sistema di riconoscimento e traduzione vocale Whisper \u00e8 stato reso pubblico.","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Il progetto OpenAI, impegnato nello sviluppo di progetti open source nel campo dell'intelligenza artificiale, ha pubblicato i risultati relativi al sistema di riconoscimento vocale Whisper. Si afferma che per il parlato in lingua inglese il sistema offre livelli di affidabilit\u00e0 e precisione nel riconoscimento automatico simili a quelli del riconoscimento umano. \u00c8 stato reso pubblico il codice della sua implementazione di riferimento basata sul framework PyTorch e un insieme di modelli gi\u00e0 addestrati, pronti all'uso. Il codice \u00e8 disponibile con licenza MIT. <\/p>\n
Per addestrare il modello sono stati utilizzati 680mila ore di dati vocali, raccolti da diverse collezioni che coprono varie lingue e aree tematiche. Circa 1\/3 dei dati vocali utilizzati per l'addestramento proviene da lingue diverse dall'inglese. Il sistema proposto gestisce correttamente situazioni come la pronuncia con accento, la presenza di rumori di fondo e l'uso di gergo tecnico. Oltre alla trascrizione del parlato in testo, il sistema pu\u00f2 anche tradurre il parlato da qualsiasi lingua all'inglese e rilevare l'emergere del parlato nel flusso audio. <\/p>\n
I modelli sono stati creati in due versioni: un modello per la lingua inglese e un modello multilingue che supporta anche il russo, l'ucraino e il bielorusso. A sua volta, ogni versione \u00e8 suddivisa in 5 varianti, che differiscono per dimensione e numero di parametri coperti dal modello. Maggiore \u00e8 la dimensione, maggiore \u00e8 la precisione e la qualit\u00e0 del riconoscimento, ma anche i requisiti per la dimensione della memoria video della GPU aumentano, riducendo la performance. Ad esempio, la variante minima comprende 39 milioni di parametri e richiede 1 GB di memoria video, mentre la variante massima include 1550 milioni di parametri e richiede 10 GB di memoria video. La variante minima \u00e8 32 volte pi\u00f9 veloce della massima.
<\/center> <\/p>\n
Il sistema utilizza un'architettura di rete neurale \"Transformer\", che include un codificatore e un decodificatore interattivi. Il suono \u00e8 suddiviso in estratti di trenta secondi, che vengono convertiti in uno spettrogramma log-Mel e inviati al codificatore. Il risultato del lavoro del codificatore viene inviato al decodificatore, che prevede una rappresentazione testuale, miscelata con token speciali, consentendo di affrontare compiti come la determinazione della lingua, la gestione della cronologia della pronuncia delle frasi, la trascrizione del parlato in diverse lingue e la traduzione in inglese. \n Fonte: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![\"Il](\"\/wp-content\/uploads\/2022\/09\/d6aa63e77cddead1a7abfa9083ff37cb.jpg\")
<\/center> <\/p>\n