Mozilla го претстави моторот за препознавање говор DeepSpeech 0.6

Воведени ослободување на моторот за препознавање говор развиен од Mozilla DeepSpeech 0.6, која ја имплементира истоимената архитектура за препознавање говор, предложен од истражувачи од Baidu. Имплементацијата е напишана во Python користејќи ја платформата за машинско учење TensorFlow и дистрибуирани од под бесплатната лиценца MPL 2.0. Поддржува работа на Linux, Android, macOS и Windows. Перформансите се доволни за користење на моторот на таблите LePotato, Raspberry Pi 3 и Raspberry Pi 4.

Исто така вклучени во комплетот понудени обучени модели, примери звучни датотеки и алатки за препознавање од командната линија. За да ја интегрирате функцијата за препознавање говор во вашите програми, се нудат подготвени за употреба модули за Python, NodeJS, C++ и .NET (програмерите од трета страна имаат посебно подготвени модули за Руст и Go). Готовиот модел се испорачува само за англиски, но и за други јазици од прикачен инструкции можете сами да го обучите системот користејќи гласовни податоци, собрани од проектот Common Voice.

DeepSpeech е многу поедноставен од традиционалните системи и во исто време обезбедува повисок квалитет на препознавање во присуство на необичен шум. Ги заобиколува традиционалните акустични модели и концептот на фонеми, наместо тоа користи високо оптимизиран систем за машинско учење базиран на невронска мрежа, кој ја елиминира потребата да се развијат посебни компоненти за моделирање на различни аномалии како што се шум, ехо и карактеристики на говорот.

Негативната страна на овој пристап е што за да се добие висококвалитетно препознавање и обука на невронска мрежа, моторот DeepSpeech бара голема количина на хетерогени податоци, диктирани во реални услови од различни гласови и во присуство на природен шум.
Проект создаден во Mozilla собира такви податоци. заеднички глас, обезбедувајќи потврдена база на податоци со 780 часа англиски јазик, 325 на германски, 173 на француски и 27 часа на руски.

Крајната цел на проектот Common Voice е да акумулира 10 илјади часа снимки на различни изговори на типични фрази на човечкиот говор, што ќе овозможи постигнување на прифатливо ниво на грешки во препознавањето. Во сегашната форма, учесниците во проектот веќе диктираа вкупно 4.3 илјади часа, од кои 3.5 илјади се тестирани. При обучување на конечниот модел на англиски јазик за DeepSpeech, беа искористени 3816 часа говор, како дополнение на Common Voice кои покриваа податоци од проектите LibriSpeech, Fisher и Switchboard, а исто така вклучи и околу 1700 часа транскрибирани снимки на радио емисии.

Кога се користи готовиот модел на англиски јазик понуден за преземање, стапката на грешка при препознавање во DeepSpeech е 7.5% кога се оценува со тест сет LibriSpeech. За споредба, стапката на грешка за човечкото препознавање проценето на 5.83%.

DeepSpeech се состои од два потсистема - акустичен модел и декодер. Акустичниот модел користи методи за длабоко машинско учење за да ја пресмета веројатноста одредени знаци да бидат присутни во влезниот звук. Декодерот користи алгоритам за пребарување зраци за да ги конвертира податоците за веројатноста на знаците во текстуална претстава.

Главните иновации DeepSpeech 0.6 (гранка 0.6 не е компатибилна со претходните изданија и бара ажурирање на кодот и моделот):

• Се предлага нов стрим декодер кој обезбедува поголема одзивност и независен од големината на обработените аудио податоци. Како резултат на тоа, новата верзија на DeepSpeech успеа да ја намали доцнењето за препознавање на 260 ms, што е 73% побрзо од претходно, и овозможува DeepSpeech да се користи во решенијата за препознавање говор во лет.
• Направени се промени во API и се работи на унифицирање на имињата на функциите. Додадени се функции за да се добијат дополнителни метаподатоци за синхронизацијата, што ви овозможува не само да примате претстава на текст како излез, туку и да го следите врзувањето на поединечни знаци и реченици за позиција во аудио преносот.
• Поддршката за користење на библиотеката е додадена во алатката за модули за обука CuDNN да се оптимизира работата со рекурентни невронски мрежи (RNN), што овозможи да се постигне значително (приближно двојно) зголемување на перформансите за обука на моделите, но бараше промени во кодот што ја нарушува компатибилноста со претходно подготвените модели.
• Минималните барања за верзијата на TensorFlow се зголемени од 1.13.1 на 1.14.0. Додадена е поддршка за лесното издание на TensorFlow Lite, кое ја намалува големината на пакетот DeepSpeech од 98 MB на 3.7 MB. За употреба на вградени и мобилни уреди, големината на спакуваната датотека со моделот исто така е намалена од 188 MB на 47 MB ​​(методот на квантизација се користи за компресија откако ќе се обучи моделот).
• Јазичниот модел е преведен во различен формат на структурата на податоци што овозможува датотеките да се мапираат во меморијата кога се вчитуваат. Поддршката за стариот формат е прекината.
• Променет е режимот на вчитување датотека со јазичен модел, што ја намали потрошувачката на меморија и намалени доцнења при обработката на првото барање по креирањето на моделот. За време на работата, DeepSpeech сега троши 22 пати помалку меморија и започнува 500 пати побрзо.
  

• Ретки зборови беа филтрирани во јазичниот модел. Вкупниот број на зборови е намален на 500 илјади од најпопуларните зборови пронајдени во текстот што се користи за обука на моделот. Чистењето овозможи да се намали големината на јазичниот модел од 1800MB на 900MB, без практично никакво влијание врз стапката на грешки при препознавање.
• Додадена е поддршка за различни техничар создавање дополнителни варијации (зголемување) на аудио податоците што се користат во обуката (на пример, додавање на изобличување или шум на збир на опции).
• Додадена е библиотека со врски за интеграција со апликации базирани на .NET платформата.
• Документацијата е преработена и сега е собрана на посебна веб-страница. deepspeech.readthedocs.io.

Извор: opennet.ru