ಮೊಜಿಲ್ಲಾ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಸ್ಪೀಚ್ ರೆಕಗ್ನಿಷನ್ ಎಂಜಿನ್ ಬಿಡುಗಡೆ , ಇದು ಅದೇ ಹೆಸರಿನ ಭಾಷಣ ಗುರುತಿಸುವಿಕೆ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತದೆ, ಬೈದು ಸಂಶೋಧಕರು. ಟೆನ್ಸರ್‌ಫ್ಲೋ ಯಂತ್ರ ಕಲಿಕೆಯ ಚೌಕಟ್ಟನ್ನು ಬಳಸಿಕೊಂಡು ಪೈಥಾನ್‌ನಲ್ಲಿ ಅನುಷ್ಠಾನವನ್ನು ಬರೆಯಲಾಗಿದೆ ಮತ್ತು ಉಚಿತ ಪರವಾನಗಿ MPL 2.0 ಅಡಿಯಲ್ಲಿ. ಲಿನಕ್ಸ್, ಆಂಡ್ರಾಯ್ಡ್, ಮ್ಯಾಕೋಸ್ ಮತ್ತು ವಿಂಡೋಸ್ ಅನ್ನು ಬೆಂಬಲಿಸುತ್ತದೆ. LePotato, Raspberry Pi 3 ಮತ್ತು Raspberry Pi 4 ಬೋರ್ಡ್‌ಗಳಲ್ಲಿ ಎಂಜಿನ್ ಅನ್ನು ಬಳಸಲು ಕಾರ್ಯಕ್ಷಮತೆ ಸಾಕು.
ಸೆಟ್ ಕೂಡ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಗಳು, ಧ್ವನಿ ಕಡತಗಳು ಮತ್ತು ಆಜ್ಞಾ ಸಾಲಿನಿಂದ ಗುರುತಿಸುವಿಕೆಗಾಗಿ ಉಪಕರಣಗಳು. ನಿಮ್ಮ ಪ್ರೋಗ್ರಾಂಗಳಲ್ಲಿ ಭಾಷಣ ಗುರುತಿಸುವಿಕೆ ಕಾರ್ಯವನ್ನು ಎಂಬೆಡ್ ಮಾಡಲು, ಪೈಥಾನ್, NodeJS, C ++ ಮತ್ತು .NET ಗಾಗಿ ಬಳಸಲು ಸಿದ್ಧವಾದ ಮಾಡ್ಯೂಲ್‌ಗಳನ್ನು ನೀಡಲಾಗುತ್ತದೆ (ಮೂರನೇ ಪಕ್ಷದ ಡೆವಲಪರ್‌ಗಳು ಮಾಡ್ಯೂಲ್‌ಗಳನ್ನು ಸಿದ್ಧಪಡಿಸಿದ್ದಾರೆ и ) ಸಿದ್ಧಪಡಿಸಿದ ಮಾದರಿಯನ್ನು ಇಂಗ್ಲಿಷ್‌ಗೆ ಮಾತ್ರ ಸರಬರಾಜು ಮಾಡಲಾಗುತ್ತದೆ, ಆದರೆ ವಿನಂತಿಯ ಮೇರೆಗೆ ಇತರ ಭಾಷೆಗಳಿಗೆ. ನೀವೇ ಬಳಸಿಕೊಂಡು ವ್ಯವಸ್ಥೆಯನ್ನು ತರಬೇತಿ ಮಾಡಬಹುದು ಸಾಮಾನ್ಯ ಧ್ವನಿ ಯೋಜನೆಯಿಂದ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ.
ಡೀಪ್‌ಸ್ಪೀಚ್ ಸಾಂಪ್ರದಾಯಿಕ ವ್ಯವಸ್ಥೆಗಳಿಗಿಂತ ಹೆಚ್ಚು ಸರಳವಾಗಿದೆ ಮತ್ತು ಅದೇ ಸಮಯದಲ್ಲಿ ಬಾಹ್ಯ ಶಬ್ದದ ಉಪಸ್ಥಿತಿಯಲ್ಲಿ ಹೆಚ್ಚಿನ ಗುಣಮಟ್ಟದ ಗುರುತಿಸುವಿಕೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ. ಅಭಿವೃದ್ಧಿಯು ಸಾಂಪ್ರದಾಯಿಕ ಅಕೌಸ್ಟಿಕ್ ಮಾದರಿಗಳು ಮತ್ತು ಫೋನೆಮ್‌ಗಳ ಪರಿಕಲ್ಪನೆಯನ್ನು ಬಳಸುವುದಿಲ್ಲ, ಬದಲಿಗೆ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ ಅನ್ನು ಆಧರಿಸಿ ಉತ್ತಮವಾಗಿ ಹೊಂದುವಂತೆ ಯಂತ್ರ ಕಲಿಕೆ ವ್ಯವಸ್ಥೆಯನ್ನು ಬಳಸುತ್ತದೆ, ಇದು ಶಬ್ದ, ಪ್ರತಿಧ್ವನಿ ಮತ್ತು ಮಾತಿನ ವೈಶಿಷ್ಟ್ಯಗಳಂತಹ ವಿವಿಧ ವಿಚಲನಗಳನ್ನು ಮಾಡೆಲಿಂಗ್ ಮಾಡಲು ಪ್ರತ್ಯೇಕ ಘಟಕಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಅಗತ್ಯವನ್ನು ನಿವಾರಿಸುತ್ತದೆ. .
ಈ ವಿಧಾನದ ತೊಂದರೆಯೆಂದರೆ ನರಮಂಡಲದ ಉತ್ತಮ-ಗುಣಮಟ್ಟದ ಗುರುತಿಸುವಿಕೆ ಮತ್ತು ತರಬೇತಿಯನ್ನು ಪಡೆಯಲು, ಡೀಪ್‌ಸ್ಪೀಚ್ ಎಂಜಿನ್‌ಗೆ ನೈಜ ಪರಿಸ್ಥಿತಿಗಳಲ್ಲಿ ವಿಭಿನ್ನ ಧ್ವನಿಗಳಿಂದ ಮತ್ತು ನೈಸರ್ಗಿಕ ಶಬ್ದದ ಉಪಸ್ಥಿತಿಯಲ್ಲಿ ನಿರ್ದೇಶಿಸಲಾದ ದೊಡ್ಡ ಪ್ರಮಾಣದ ವೈವಿಧ್ಯಮಯ ಡೇಟಾ ಅಗತ್ಯವಿರುತ್ತದೆ.
ಅಂತಹ ಡೇಟಾದ ಸಂಗ್ರಹವನ್ನು ಮೊಜಿಲ್ಲಾದಲ್ಲಿ ರಚಿಸಲಾದ ಯೋಜನೆಯಿಂದ ಕೈಗೊಳ್ಳಲಾಗುತ್ತದೆ , 780 ಗಂಟೆಗಳ ಆನ್‌ನೊಂದಿಗೆ ಮೌಲ್ಯೀಕರಿಸಿದ ಡೇಟಾ ಸೆಟ್ ಅನ್ನು ಒದಗಿಸುವುದು , ಜರ್ಮನ್ ನಲ್ಲಿ 325, ಫ್ರೆಂಚ್ ನಲ್ಲಿ 173 ಮತ್ತು ರಷ್ಯನ್ ಭಾಷೆಯಲ್ಲಿ 27 ಗಂಟೆಗಳು.
ಸಾಮಾನ್ಯ ಧ್ವನಿ ಯೋಜನೆಯ ಅಂತಿಮ ಗುರಿಯು ವಿಶಿಷ್ಟವಾದ ಮಾನವ ಭಾಷಣ ಪದಗುಚ್ಛಗಳ ವಿವಿಧ ಉಚ್ಚಾರಣೆಗಳ 10 ಗಂಟೆಗಳ ರೆಕಾರ್ಡಿಂಗ್ಗಳನ್ನು ಸಂಗ್ರಹಿಸುವುದು, ಇದು ಸ್ವೀಕಾರಾರ್ಹ ಮಟ್ಟದ ಗುರುತಿಸುವಿಕೆ ದೋಷಗಳನ್ನು ಸಾಧಿಸುತ್ತದೆ. ಅದರ ಪ್ರಸ್ತುತ ರೂಪದಲ್ಲಿ, ಯೋಜನೆಯ ಭಾಗವಹಿಸುವವರು ಈಗಾಗಲೇ ಒಟ್ಟು 4.3 ಸಾವಿರ ಗಂಟೆಗಳ ಕಾಲ ನಿರ್ದೇಶಿಸಿದ್ದಾರೆ, ಅದರಲ್ಲಿ 3.5 ಸಾವಿರವನ್ನು ಪರೀಕ್ಷಿಸಲಾಗಿದೆ. ಡೀಪ್‌ಸ್ಪೀಚ್‌ಗಾಗಿ ಇಂಗ್ಲಿಷ್ ಭಾಷೆಯ ಅಂತಿಮ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡುವಾಗ, ಲಿಬ್ರಿಸ್ಪೀಚ್, ಫಿಶರ್ ಮತ್ತು ಸ್ವಿಚ್‌ಬೋರ್ಡ್ ಪ್ರಾಜೆಕ್ಟ್‌ಗಳಿಂದ ಕಾಮನ್ ವಾಯ್ಸ್ ಕವರಿಂಗ್ ಡೇಟಾ ಜೊತೆಗೆ 3816 ಗಂಟೆಗಳ ಭಾಷಣವನ್ನು ಬಳಸಲಾಗಿದೆ ಮತ್ತು ಸುಮಾರು 1700 ಗಂಟೆಗಳ ಲಿಪ್ಯಂತರ ರೇಡಿಯೋ ಶೋ ರೆಕಾರ್ಡಿಂಗ್ಗಳನ್ನು ಸಹ ಒಳಗೊಂಡಿದೆ.
ಡೌನ್‌ಲೋಡ್‌ಗಾಗಿ ನೀಡಲಾದ ಸಿದ್ಧ-ಸಿದ್ಧ ಇಂಗ್ಲಿಷ್ ಭಾಷಾ ಮಾದರಿಯನ್ನು ಬಳಸುವಾಗ, ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಿಂದ ನಿರ್ಣಯಿಸಿದಾಗ ಡೀಪ್‌ಸ್ಪೀಚ್‌ನಲ್ಲಿ ಗುರುತಿಸುವಿಕೆ ದೋಷಗಳ ಮಟ್ಟವು 7.5% ಆಗಿದೆ. . ಹೋಲಿಕೆಗಾಗಿ, ಮಾನವ ಗುರುತಿಸುವಿಕೆಯಲ್ಲಿ ದೋಷ ಪ್ರಮಾಣ 5.83% ನಲ್ಲಿ.
ಡೀಪ್‌ಸ್ಪೀಚ್ ಎರಡು ಉಪವ್ಯವಸ್ಥೆಗಳನ್ನು ಒಳಗೊಂಡಿದೆ - ಅಕೌಸ್ಟಿಕ್ ಮಾದರಿ ಮತ್ತು ಡಿಕೋಡರ್. ಅಕೌಸ್ಟಿಕ್ ಮಾದರಿಯು ಇನ್‌ಪುಟ್ ಧ್ವನಿಯಲ್ಲಿ ಕೆಲವು ಚಿಹ್ನೆಗಳ ಸಂಭವನೀಯತೆಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಆಳವಾದ ಯಂತ್ರ ಕಲಿಕೆಯ ವಿಧಾನಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಸಂಕೇತ ಸಂಭವನೀಯತೆಯ ಡೇಟಾವನ್ನು ಪಠ್ಯ ಪ್ರಾತಿನಿಧ್ಯವಾಗಿ ಪರಿವರ್ತಿಸಲು ಡಿಕೋಡರ್ ಬೀಮ್ ಹುಡುಕಾಟ ಅಲ್ಗಾರಿದಮ್ ಅನ್ನು ಬಳಸುತ್ತದೆ.
ಮುಖ್ಯ DeepSpeech 0.6 (0.6 ಶಾಖೆಯು ಹಿಂದಕ್ಕೆ ಹೊಂದಿಕೆಯಾಗುವುದಿಲ್ಲ ಮತ್ತು ಕೋಡ್ ಮತ್ತು ಮಾದರಿಗಳನ್ನು ನವೀಕರಿಸುವ ಅಗತ್ಯವಿದೆ):
- ಹೊಸ ಸ್ಟ್ರೀಮಿಂಗ್ ಡಿಕೋಡರ್ ಅನ್ನು ಪ್ರಸ್ತಾಪಿಸಲಾಗಿದೆ ಅದು ಹೆಚ್ಚಿನ ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ ಮತ್ತು ಸಂಸ್ಕರಿಸಿದ ಆಡಿಯೊ ಡೇಟಾದ ಗಾತ್ರವನ್ನು ಅವಲಂಬಿಸಿಲ್ಲ. ಇದರ ಪರಿಣಾಮವಾಗಿ, DeepSpeech ನ ಹೊಸ ಆವೃತ್ತಿಯು ಗುರುತಿಸುವಿಕೆಯ ವಿಳಂಬವನ್ನು 260 ms ಗೆ ಕಡಿಮೆ ಮಾಡಲು ಸಾಧ್ಯವಾಯಿತು, ಇದು ಮೊದಲಿಗಿಂತ 73% ವೇಗವಾಗಿದೆ ಮತ್ತು ಡೀಪ್‌ಸ್ಪೀಚ್ ಅನ್ನು ಆನ್-ದಿ-ಫ್ಲೈ ಸ್ಪೀಚ್ ರೆಕಗ್ನಿಷನ್ ಪರಿಹಾರಗಳಲ್ಲಿ ಬಳಸಲು ನಿಮಗೆ ಅನುಮತಿಸುತ್ತದೆ.
- API ಗೆ ಬದಲಾವಣೆಗಳನ್ನು ಮಾಡಲಾಗಿದೆ ಮತ್ತು ಕಾರ್ಯದ ಹೆಸರುಗಳನ್ನು ಏಕೀಕರಿಸುವ ಕೆಲಸವನ್ನು ಮಾಡಲಾಗಿದೆ. ಸಿಂಕ್ರೊನೈಸೇಶನ್ ಕುರಿತು ಹೆಚ್ಚುವರಿ ಮೆಟಾಡೇಟಾವನ್ನು ಪಡೆಯಲು ಕಾರ್ಯಗಳನ್ನು ಸೇರಿಸಲಾಗಿದೆ, ಪಠ್ಯ ಪ್ರಾತಿನಿಧ್ಯವನ್ನು ಔಟ್‌ಪುಟ್‌ನಂತೆ ಸ್ವೀಕರಿಸಲು ಮಾತ್ರವಲ್ಲದೆ ಆಡಿಯೊ ಸ್ಟ್ರೀಮ್‌ನಲ್ಲಿ ಸ್ಥಾನಕ್ಕೆ ಪ್ರತ್ಯೇಕ ಅಕ್ಷರಗಳು ಮತ್ತು ವಾಕ್ಯಗಳನ್ನು ಬಂಧಿಸುವುದನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಲು ಸಹ ಅನುಮತಿಸುತ್ತದೆ.
- ಲೈಬ್ರರಿಯನ್ನು ಬಳಸುವ ಬೆಂಬಲವನ್ನು ಕಲಿಕೆಯ ಮಾಡ್ಯೂಲ್‌ಗಳಿಗಾಗಿ ಟೂಲ್‌ಕಿಟ್‌ಗೆ ಸೇರಿಸಲಾಗಿದೆ ಪುನರಾವರ್ತಿತ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್‌ಗಳೊಂದಿಗೆ (ಆರ್‌ಎನ್‌ಎನ್) ಕೆಲಸವನ್ನು ಉತ್ತಮಗೊಳಿಸಲು, ಇದು ಮಾದರಿ ತರಬೇತಿ ಕಾರ್ಯಕ್ಷಮತೆಯಲ್ಲಿ ಗಮನಾರ್ಹ (ಸುಮಾರು ಎರಡು ಪಟ್ಟು) ಹೆಚ್ಚಳವನ್ನು ಸಾಧಿಸಲು ಸಾಧ್ಯವಾಗಿಸಿತು, ಆದರೆ ಹಿಂದೆ ಸಿದ್ಧಪಡಿಸಿದ ಮಾದರಿಗಳೊಂದಿಗೆ ಹೊಂದಾಣಿಕೆಯನ್ನು ಉಲ್ಲಂಘಿಸುವ ಕೋಡ್‌ಗೆ ಬದಲಾವಣೆಗಳ ಅಗತ್ಯವಿದೆ.
- ಟೆನ್ಸರ್‌ಫ್ಲೋ ಆವೃತ್ತಿಗೆ ಕನಿಷ್ಠ ಅವಶ್ಯಕತೆಗಳನ್ನು 1.13.1 ರಿಂದ 1.14.0 ಕ್ಕೆ ಹೆಚ್ಚಿಸಲಾಗಿದೆ. TensorFlow Lite ಹಗುರವಾದ ಆವೃತ್ತಿಗೆ ಬೆಂಬಲವನ್ನು ಸೇರಿಸಲಾಗಿದೆ, ಇದು DeepSpeech ಪ್ಯಾಕೇಜ್ ಗಾತ್ರವನ್ನು 98 MB ಯಿಂದ 3.7 MB ಗೆ ಇಳಿಸಿತು. ಎಂಬೆಡೆಡ್ ಮತ್ತು ಮೊಬೈಲ್ ಸಾಧನಗಳಲ್ಲಿ ಬಳಕೆಗಾಗಿ, ಮಾದರಿಯೊಂದಿಗೆ ಪ್ಯಾಕ್ ಮಾಡಲಾದ ಫೈಲ್‌ನ ಗಾತ್ರವನ್ನು 188 MB ಯಿಂದ 47 MB ಗೆ ಕಡಿಮೆ ಮಾಡಲಾಗಿದೆ (ಮಾದರಿ ತರಬೇತಿ ಪಡೆದ ನಂತರ ಸಂಕೋಚನಕ್ಕಾಗಿ ಕ್ವಾಂಟೀಕರಣ ವಿಧಾನವನ್ನು ಬಳಸಲಾಯಿತು).
- ಭಾಷಾ ಮಾದರಿಯನ್ನು ಡೇಟಾ ರಚನೆಗಳ ವಿಭಿನ್ನ ಸ್ವರೂಪಕ್ಕೆ ಅನುವಾದಿಸಲಾಗಿದೆ ಅದು ಲೋಡ್ ಮಾಡುವಾಗ ಫೈಲ್‌ಗಳನ್ನು ಮೆಮೊರಿಗೆ ಮ್ಯಾಪ್ ಮಾಡಲು ಅನುಮತಿಸುತ್ತದೆ. ಹಳೆಯ ಸ್ವರೂಪಕ್ಕೆ ಬೆಂಬಲವನ್ನು ನಿಲ್ಲಿಸಲಾಗಿದೆ.
- ಭಾಷಾ ಮಾದರಿಯೊಂದಿಗೆ ಫೈಲ್ ಅನ್ನು ಲೋಡ್ ಮಾಡುವ ವಿಧಾನವನ್ನು ಬದಲಾಯಿಸಲಾಗಿದೆ, ಇದು ಮೆಮೊರಿ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು ಮಾದರಿಯನ್ನು ರಚಿಸಿದ ನಂತರ ಮೊದಲ ವಿನಂತಿಯನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವಲ್ಲಿ ವಿಳಂಬವನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ. DeepSpeech ಈಗ ಚಾಲನೆಯಲ್ಲಿರುವಾಗ 22x ಕಡಿಮೆ ಮೆಮೊರಿಯನ್ನು ಬಳಸುತ್ತದೆ ಮತ್ತು 500x ವೇಗವಾಗಿ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ.
- ಭಾಷಾ ಮಾದರಿಯಲ್ಲಿ ಅಪರೂಪದ ಪದಗಳನ್ನು ಶೋಧಿಸಲಾಯಿತು. ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು ಬಳಸುವ ಪಠ್ಯದಲ್ಲಿ ಕಂಡುಬರುವ ಅತ್ಯಂತ ಜನಪ್ರಿಯ ಪದಗಳ ಒಟ್ಟು ಸಂಖ್ಯೆಯನ್ನು 500 ಕ್ಕೆ ಕಡಿಮೆ ಮಾಡಲಾಗಿದೆ. ಶುಚಿಗೊಳಿಸುವಿಕೆಯು ಭಾಷಾ ಮಾದರಿಯ ಗಾತ್ರವನ್ನು 1800MB ನಿಂದ 900MB ಗೆ ಕಡಿಮೆ ಮಾಡಲು ಸಾಧ್ಯವಾಗಿಸಿತು, ಗುರುತಿಸುವಿಕೆ ದೋಷಗಳ ಮಟ್ಟದಲ್ಲಿ ಯಾವುದೇ ಪರಿಣಾಮವಿಲ್ಲ.
- ವಿವಿಧ ಬೆಂಬಲವನ್ನು ಸೇರಿಸಲಾಗಿದೆ ತರಬೇತಿಯಲ್ಲಿ ಬಳಸಲಾದ ಧ್ವನಿ ಡೇಟಾದ ಹೆಚ್ಚುವರಿ ವ್ಯತ್ಯಾಸಗಳನ್ನು (ವರ್ಧನೆ) ರಚಿಸುವುದು (ಉದಾಹರಣೆಗೆ, ಅಸ್ಪಷ್ಟತೆ ಅಥವಾ ಶಬ್ದವನ್ನು ಒಳಗೊಂಡಿರುವ ಆಯ್ಕೆಗಳ ಗುಂಪಿಗೆ ಸೇರಿಸುವುದು).
- .NET ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಆಧಾರಿತ ಅಪ್ಲಿಕೇಶನ್‌ಗಳೊಂದಿಗೆ ಏಕೀಕರಣಕ್ಕಾಗಿ ಬೈಂಡಿಂಗ್‌ಗಳೊಂದಿಗೆ ಲೈಬ್ರರಿಯನ್ನು ಸೇರಿಸಲಾಗಿದೆ.
- ಮರುವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ದಸ್ತಾವೇಜನ್ನು ಈಗ ಪ್ರತ್ಯೇಕ ಸೈಟ್‌ನಲ್ಲಿ ಸಂಗ್ರಹಿಸಲಾಗಿದೆ .
ಮೂಲ: opennet.ru