{"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\/novosti-interneta\/otkryt-kod-sistemy-raspoznavaniya-i-perevoda-rechi-whisper","title":{"rendered":"Pubblicato il codice del sistema di riconoscimento e traduzione vocale Whisper","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Il progetto OpenAI, dedicato allo sviluppo di progetti accessibili nell'ambito dell'intelligenza artificiale, ha pubblicato i risultati relativi al sistema di riconoscimento vocale Whisper. Si afferma che per la lingua inglese il sistema offre livelli di affidabilit\u00e0 e precisione nel riconoscimento automatico comparabili a quelli del riconoscimento umano. Il codice della implementazione di riferimento basata sul framework PyTorch \u00e8 aperto, insieme a un insieme di modelli gi\u00e0 addestrati pronti per l'uso. Il codice \u00e8 disponibile con licenza MIT. <\/p>\n
Per addestrare il modello sono stati utilizzati 680.000 ore di dati vocali, raccolti da diverse collezioni che coprono varie lingue e ambiti tematici. 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 della voce in testo, il sistema pu\u00f2 anche tradurre la voce da qualsiasi lingua all'inglese e identificare l'emergere della voce nel flusso sonoro. <\/p>\n
I modelli sono stati formati in due rappresentazioni: un modello per la lingua inglese e un modello multilingue che supporta, tra gli altri, le lingue russa, ucraina e bielorussa. Ogni rappresentazione \u00e8 suddivisa in 5 varianti, che si differenziano per dimensione e numero di parametri coperti nel modello. Maggiore \u00e8 la dimensione, maggiore \u00e8 la precisione e la qualit\u00e0 del riconoscimento, ma anche pi\u00f9 elevate sono le esigenze di memoria video della GPU e minore \u00e8 la performance. Ad esempio, la variante minima include 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 di quella massima.
<\/center> <\/p>\n
Il sistema utilizza un'architettura di rete neurale «Transformer», che comprende un codificatore e un decodificatore che interagiscono tra loro. Il suono viene suddiviso in estratti di 30 secondi, che vengono trasformati in uno spettrogramma log-Mel e inviati al codificatore. Il risultato del lavoro del codificatore viene indirizzato al decodificatore, che prevede una rappresentazione testuale mescolata con token speciali, permettendo di affrontare compiti come l'identificazione della lingua, la gestione della cronologia delle frasi pronunciate, 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":"
![\"Pubblicato](\"\/wp-content\/uploads\/2022\/09\/d6aa63e77cddead1a7abfa9083ff37cb.jpg\")
<\/center> <\/p>\n