Mozilla បានណែនាំម៉ាស៊ីនសម្គាល់ការនិយាយ DeepSpeech 0.6

ណែនាំ ការចេញផ្សាយម៉ាស៊ីនសម្គាល់ការនិយាយដែលបង្កើតឡើងដោយ Mozilla DeepSpeech 0.6ដែលអនុវត្តស្ថាបត្យកម្មការទទួលស្គាល់ការនិយាយដែលមានឈ្មោះដូចគ្នា បានស្នើឡើង ដោយអ្នកស្រាវជ្រាវមកពីក្រុមហ៊ុន Baidu ។ ការអនុវត្តត្រូវបានសរសេរនៅក្នុង Python ដោយប្រើកម្មវិធី TensorFlow machine learning platform និង ចែកចាយ​ដោយ ក្រោមអាជ្ញាប័ណ្ណ MPL 2.0 ឥតគិតថ្លៃ។ គាំទ្រការងារនៅលើ Linux, Android, macOS និង Windows ។ ដំណើរការគឺគ្រប់គ្រាន់ដើម្បីប្រើម៉ាស៊ីននៅលើក្តារ LePotato, Raspberry Pi 3 និង Raspberry Pi 4 ។

រួមបញ្ចូលផងដែរនៅក្នុងសំណុំ ត្រូវបានផ្តល់ជូន ម៉ូដែលដែលបានបណ្តុះបណ្តាល, ឧទាហរណ៍ ឯកសារសំឡេង និងឧបករណ៍ទទួលស្គាល់ពីបន្ទាត់ពាក្យបញ្ជា។ ដើម្បីរួមបញ្ចូលមុខងារទទួលស្គាល់ការនិយាយទៅក្នុងកម្មវិធីរបស់អ្នក ម៉ូឌុលដែលត្រៀមរួចជាស្រេចសម្រាប់ប្រើសម្រាប់ Python, NodeJS, C++ និង .NET ត្រូវបានផ្តល់ជូន (អ្នកអភិវឌ្ឍន៍ភាគីទីបីបានរៀបចំម៉ូឌុលដាច់ដោយឡែកសម្រាប់ ច្រែះ и Go) គំរូដែលបានបញ្ចប់ត្រូវបានផ្គត់ផ្គង់សម្រាប់តែភាសាអង់គ្លេសប៉ុណ្ណោះ ប៉ុន្តែសម្រាប់ភាសាផ្សេងទៀតដោយ ភ្ជាប់ ការណែនាំ អ្នកអាចហ្វឹកហាត់ប្រព័ន្ធដោយខ្លួនឯងដោយប្រើ ទិន្នន័យសំឡេងប្រមូល​ដោយ​គម្រោង Common Voice។

DeepSpeech គឺមានភាពសាមញ្ញជាងប្រព័ន្ធប្រពៃណី ហើយក្នុងពេលតែមួយផ្តល់នូវការទទួលស្គាល់គុណភាពខ្ពស់ជាងនៅក្នុងវត្តមាននៃសំលេងរំខានបន្ថែម។ វារំលងគំរូសូរស័ព្ទប្រពៃណី និងគោលគំនិតនៃសូរសព្ទ ជំនួសមកវិញដោយប្រើប្រព័ន្ធសិក្សាម៉ាស៊ីនផ្អែកលើបណ្តាញសរសៃប្រសាទដែលបានធ្វើឱ្យប្រសើរខ្ពស់ ដែលលុបបំបាត់តម្រូវការក្នុងការអភិវឌ្ឍន៍សមាសធាតុដាច់ដោយឡែកដើម្បីធ្វើគំរូភាពមិនប្រក្រតីផ្សេងៗដូចជាសំឡេង អេកូ និងលក្ខណៈនៃការនិយាយ។

ការធ្លាក់ចុះនៃវិធីសាស្រ្តនេះគឺថា ដើម្បីទទួលបានការទទួលស្គាល់គុណភាពខ្ពស់ និងការបណ្តុះបណ្តាលបណ្តាញសរសៃប្រសាទ ម៉ាស៊ីន DeepSpeech ត្រូវការទិន្នន័យច្រើនប្រភេទ ដែលកំណត់តាមលក្ខខណ្ឌជាក់ស្តែងដោយសំឡេងខុសៗគ្នា និងនៅក្នុងវត្តមាននៃសំលេងរំខានធម្មជាតិ។
គម្រោងដែលបានបង្កើតនៅក្នុង Mozilla ប្រមូលទិន្នន័យបែបនេះ។ សំឡេងទូទៅផ្តល់សំណុំទិន្នន័យដែលបានផ្ទៀងផ្ទាត់ជាមួយនឹង 780 ម៉ោង។ ភាសាអង់គ្លេស, 325 ជាភាសាអាឡឺម៉ង់, 173 ជាភាសាបារាំង និង 27 ម៉ោងជាភាសារុស្សី។

គោលដៅចុងក្រោយនៃគម្រោង Common Voice គឺដើម្បីប្រមូល 10 ពាន់ម៉ោងនៃការកត់ត្រាការបញ្ចេញសំឡេងផ្សេងៗនៃឃ្លាធម្មតានៃការនិយាយរបស់មនុស្ស ដែលនឹងអនុញ្ញាតឱ្យសម្រេចបាននូវកម្រិតដែលអាចទទួលយកបាននៃកំហុសក្នុងការទទួលស្គាល់។ នៅក្នុងទម្រង់បច្ចុប្បន្នរបស់វា អ្នកចូលរួមគម្រោងបានកំណត់ម៉ោងសរុបចំនួន 4.3 ពាន់ម៉ោង ដែលក្នុងនោះ 3.5 ពាន់នាក់ត្រូវបានសាកល្បង។ នៅពេលបណ្តុះបណ្តាលគំរូភាសាអង់គ្លេសចុងក្រោយសម្រាប់ DeepSpeech ការនិយាយចំនួន 3816 ម៉ោងត្រូវបានប្រើប្រាស់ បន្ថែមពីលើ Common Voice ដែលគ្របដណ្តប់ទិន្នន័យពីគម្រោង LibriSpeech, Fisher និង Switchboard និងរួមទាំងការថតកម្មវិធីវិទ្យុដែលបានចម្លងប្រមាណ 1700 ម៉ោង។

នៅពេលប្រើគំរូភាសាអង់គ្លេសដែលត្រៀមរួចជាស្រេចដែលផ្តល់ជូនសម្រាប់ការទាញយក អត្រាកំហុសក្នុងការទទួលស្គាល់នៅក្នុង DeepSpeech គឺ 7.5% នៅពេលវាយតម្លៃជាមួយនឹងសំណុំតេស្ត LibriSpeech. សម្រាប់ការប្រៀបធៀប អត្រាកំហុសសម្រាប់ការទទួលស្គាល់របស់មនុស្ស ត្រូវបានប៉ាន់ស្មាន នៅ ៨% ។

DeepSpeech មានប្រព័ន្ធរងពីរ - គំរូសូរស័ព្ទ និងឧបករណ៍ឌិកូដ។ គំរូសូរស័ព្ទប្រើវិធីសាស្រ្តរៀនម៉ាស៊ីនស៊ីជម្រៅ ដើម្បីគណនាលទ្ធភាពនៃតួអក្សរមួយចំនួនដែលមានវត្តមាននៅក្នុងសំឡេងបញ្ចូល។ ឧបករណ៍ឌិកូដប្រើក្បួនដោះស្រាយការស្វែងរកកាំរស្មី ដើម្បីបំប្លែងទិន្នន័យប្រូបាប៊ីលីតេតួអក្សរទៅជាតំណាងអត្ថបទ។

សំខាន់ ការច្នៃប្រឌិត DeepSpeech 0.6 (សាខា 0.6 មិនឆបគ្នាជាមួយនឹងការចេញផ្សាយមុនៗ ហើយទាមទារការអាប់ដេតកូដ និងម៉ូដែល)៖

• ឧបករណ៍ឌិកូដស្ទ្រីមថ្មីត្រូវបានស្នើឡើងដែលផ្តល់នូវការឆ្លើយតបខ្ពស់ជាងមុន និងឯករាជ្យនៃទំហំទិន្នន័យអូឌីយ៉ូដែលបានដំណើរការ។ ជាលទ្ធផល កំណែថ្មីនៃ DeepSpeech បានគ្រប់គ្រងកាត់បន្ថយភាពយឺតយ៉ាវសម្រាប់ការទទួលស្គាល់មកត្រឹម 260 ms ដែលលឿនជាងមុន 73% និងអនុញ្ញាតឱ្យ DeepSpeech ប្រើក្នុងដំណោះស្រាយការទទួលស្គាល់ការនិយាយភ្លាមៗ។
• ការផ្លាស់ប្តូរត្រូវបានធ្វើឡើងចំពោះ API ហើយការងារត្រូវបានធ្វើឡើងដើម្បីបង្រួបបង្រួមឈ្មោះមុខងារ។ មុខងារត្រូវបានបន្ថែម ដើម្បីទទួលបានទិន្នន័យមេតាបន្ថែមអំពីការធ្វើសមកាលកម្ម ដែលអនុញ្ញាតឱ្យអ្នកមិនត្រឹមតែទទួលបានតំណាងអត្ថបទជាលទ្ធផលប៉ុណ្ណោះទេប៉ុន្តែថែមទាំងដើម្បីតាមដានការចងតួអក្សរ និងប្រយោគនីមួយៗទៅទីតាំងមួយនៅក្នុងស្ទ្រីមអូឌីយ៉ូផងដែរ។
• ការគាំទ្រសម្រាប់ការប្រើប្រាស់បណ្ណាល័យត្រូវបានបន្ថែមទៅក្នុងប្រអប់ឧបករណ៍សម្រាប់ម៉ូឌុលបណ្តុះបណ្តាល CuDNN ដើម្បីបង្កើនប្រសិទ្ធភាពការងារជាមួយបណ្តាញសរសៃប្រសាទដែលកើតឡើងដដែលៗ (RNN) ដែលធ្វើឱ្យវាអាចសម្រេចបាននូវការកើនឡើងគួរឱ្យកត់សម្គាល់ (ប្រហែលពីរដង) នៃការអនុវត្តការបណ្តុះបណ្តាលគំរូ ប៉ុន្តែតម្រូវឱ្យមានការផ្លាស់ប្តូរកូដដែលបានរំលោភលើភាពឆបគ្នាជាមួយនឹងម៉ូដែលដែលបានរៀបចំពីមុន។
• តម្រូវការកំណែ TensorFlow អប្បបរមាត្រូវបានលើកឡើងពី 1.13.1 ដល់ 1.14.0 ។ បានបន្ថែមការគាំទ្រសម្រាប់ការបោះពុម្ពស្រាលនៃ TensorFlow Lite ដែលកាត់បន្ថយទំហំនៃកញ្ចប់ DeepSpeech ពី 98 MB ទៅ 3.7 MB ។ សម្រាប់ការប្រើប្រាស់នៅលើឧបករណ៍បង្កប់ និងឧបករណ៍ចល័ត ទំហំនៃឯកសារដែលបានខ្ចប់ជាមួយគំរូក៏ត្រូវបានកាត់បន្ថយពី 188 MB មកត្រឹម 47 MB ​​(វិធីសាស្ត្របរិមាណត្រូវបានប្រើសម្រាប់ការបង្ហាប់បន្ទាប់ពីគំរូត្រូវបានបណ្តុះបណ្តាល)។
• គំរូភាសាត្រូវបានបកប្រែទៅជាទម្រង់រចនាសម្ព័ន្ធទិន្នន័យផ្សេងគ្នា ដែលអនុញ្ញាតឱ្យឯកសារត្រូវបានគូសវាសទៅក្នុងអង្គចងចាំនៅពេលផ្ទុក។ ការគាំទ្រសម្រាប់ទម្រង់ចាស់ត្រូវបានបញ្ឈប់។
• របៀបនៃការផ្ទុកឯកសារជាមួយគំរូភាសាត្រូវបានផ្លាស់ប្តូរ ដែលកាត់បន្ថយការប្រើប្រាស់អង្គចងចាំ និងកាត់បន្ថយការពន្យារពេលនៅពេលដំណើរការសំណើដំបូងបន្ទាប់ពីបង្កើតគំរូ។ ក្នុងអំឡុងពេលប្រតិបត្តិការ ពេលនេះ DeepSpeech ប្រើប្រាស់អង្គចងចាំតិចជាង 22 ដង ហើយចាប់ផ្តើមលឿនជាង 500 ដង។
  

• ពាក្យកម្រត្រូវបានត្រងជាគំរូភាសា។ ចំនួនពាក្យសរុបត្រូវបានកាត់បន្ថយមកត្រឹម 500 ពាន់ពាក្យដែលពេញនិយមបំផុតដែលបានរកឃើញនៅក្នុងអត្ថបទដែលប្រើដើម្បីបណ្តុះបណ្តាលគំរូ។ ការសម្អាតបានធ្វើឱ្យវាអាចកាត់បន្ថយទំហំនៃគំរូភាសាពី 1800MB ទៅ 900MB ដោយស្ទើរតែមិនមានឥទ្ធិពលលើអត្រាកំហុសក្នុងការទទួលស្គាល់នោះទេ។
• បានបន្ថែមការគាំទ្រសម្រាប់ផ្សេងៗ អ្នកបច្ចេកទេស ការបង្កើតបំរែបំរួលបន្ថែម (ការបង្កើន) នៃទិន្នន័យអូឌីយ៉ូដែលប្រើក្នុងវគ្គបណ្តុះបណ្តាល (ឧទាហរណ៍ ការបន្ថែមការបង្ខូចទ្រង់ទ្រាយ ឬសំឡេងរំខានដល់សំណុំនៃជម្រើស)។
• បានបន្ថែមបណ្ណាល័យជាមួយនឹងការចងសម្រាប់ការរួមបញ្ចូលជាមួយកម្មវិធីដោយផ្អែកលើវេទិកា .NET ។
• ឯកសារនេះត្រូវបានដំណើរការឡើងវិញ ហើយឥឡូវនេះត្រូវបានប្រមូលនៅលើគេហទំព័រដាច់ដោយឡែកមួយ។ deepspeech.readthedocs.io.

ប្រភព: opennet.ru