വിസ്‌പർ സ്പീച്ച് തിരിച്ചറിയലിനും വിവർത്തന സംവിധാനത്തിനുമുള്ള കോഡ് തുറന്നു

ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് മേഖലയിൽ പൊതു പ്രോജക്ടുകൾ വികസിപ്പിക്കുന്ന ഓപ്പൺഎഐ പ്രോജക്റ്റ്, വിസ്പർ സ്പീച്ച് റെക്കഗ്നിഷൻ സിസ്റ്റവുമായി ബന്ധപ്പെട്ട സംഭവവികാസങ്ങൾ പ്രസിദ്ധീകരിച്ചു. ഇംഗ്ലീഷിലെ സംസാരത്തിന്, മനുഷ്യരുടെ തിരിച്ചറിയലിനോട് ചേർന്ന് ഓട്ടോമാറ്റിക് തിരിച്ചറിയലിന്റെ വിശ്വാസ്യതയും കൃത്യതയും ഈ സിസ്റ്റം നൽകുന്നുവെന്ന് അവകാശപ്പെടുന്നു. PyTorch ചട്ടക്കൂടിനെ അടിസ്ഥാനമാക്കിയുള്ള റഫറൻസ് നടപ്പിലാക്കുന്നതിനുള്ള കോഡും ഉപയോഗത്തിന് തയ്യാറായിട്ടുള്ള ഇതിനകം പരിശീലനം ലഭിച്ച ഒരു കൂട്ടം മോഡലുകളും തുറന്നിരിക്കുന്നു. എംഐടി ലൈസൻസിന് കീഴിൽ കോഡ് തുറന്നിരിക്കുന്നു.

മോഡലിനെ പരിശീലിപ്പിക്കുന്നതിന്, വിവിധ ഭാഷകളും വിഷയ മേഖലകളും ഉൾക്കൊള്ളുന്ന നിരവധി ശേഖരങ്ങളിൽ നിന്ന് ശേഖരിച്ച 680 ആയിരം മണിക്കൂർ സംഭാഷണ ഡാറ്റ ഉപയോഗിച്ചു. പരിശീലനത്തിൽ ഉൾപ്പെട്ടിരിക്കുന്ന സംഭാഷണ ഡാറ്റയുടെ ഏകദേശം 1/3 ഇംഗ്ലീഷ് ഒഴികെയുള്ള ഭാഷകളിലാണ്. നിർദ്ദിഷ്ട സംവിധാനം, ഉച്ചാരണ ഉച്ചാരണം, പശ്ചാത്തല ശബ്‌ദം, സാങ്കേതിക പദപ്രയോഗം എന്നിവ പോലുള്ള സാഹചര്യങ്ങൾ ശരിയായി കൈകാര്യം ചെയ്യുന്നു. സംഭാഷണം ടെക്‌സ്‌റ്റിലേക്ക് ട്രാൻസ്‌ക്രൈബ് ചെയ്യുന്നതിനു പുറമേ, ഏത് ഭാഷയിൽ നിന്നും ഇംഗ്ലീഷിലേക്ക് സംഭാഷണം വിവർത്തനം ചെയ്യാനും ഓഡിയോ സ്ട്രീമിലെ സംഭാഷണത്തിന്റെ രൂപം കണ്ടെത്താനും സിസ്റ്റത്തിന് കഴിയും.

മോഡലുകൾ രണ്ട് പ്രാതിനിധ്യങ്ങളിലാണ് രൂപീകരിച്ചിരിക്കുന്നത്: ഇംഗ്ലീഷ് ഭാഷയ്ക്കുള്ള ഒരു മാതൃകയും ഒരു ബഹുഭാഷാ മോഡലും, റഷ്യൻ, ഉക്രേനിയൻ, ബെലാറഷ്യൻ ഭാഷകളെയും പിന്തുണയ്ക്കുന്നു. ഓരോ പ്രാതിനിധ്യവും 5 ഓപ്ഷനുകളായി തിരിച്ചിരിക്കുന്നു, മോഡലിൽ ഉൾപ്പെടുത്തിയിരിക്കുന്ന പാരാമീറ്ററുകളുടെ വലുപ്പത്തിലും എണ്ണത്തിലും വ്യത്യാസമുണ്ട്. വലിപ്പം കൂടുന്തോറും തിരിച്ചറിയലിന്റെ കൃത്യതയും ഗുണമേന്മയും കൂടും, മാത്രമല്ല ജിപിയു വീഡിയോ മെമ്മറിയുടെ വലുപ്പത്തിനും കുറഞ്ഞ പ്രകടനത്തിനും ആവശ്യമായ ഉയർന്ന ആവശ്യകതകളും. ഉദാഹരണത്തിന്, ഏറ്റവും കുറഞ്ഞ ഓപ്ഷനിൽ 39 ദശലക്ഷം പാരാമീറ്ററുകൾ ഉൾപ്പെടുന്നു, കൂടാതെ 1 GB വീഡിയോ മെമ്മറി ആവശ്യമാണ്, പരമാവധി 1550 ദശലക്ഷം പാരാമീറ്ററുകൾ ഉൾക്കൊള്ളുന്നു കൂടാതെ 10 GB വീഡിയോ മെമ്മറി ആവശ്യമാണ്. ഏറ്റവും കുറഞ്ഞ ഓപ്ഷൻ പരമാവധി 32 മടങ്ങ് വേഗതയുള്ളതാണ്.

സിസ്റ്റം ട്രാൻസ്ഫോർമർ ന്യൂറൽ നെറ്റ്‌വർക്ക് ആർക്കിടെക്ചർ ഉപയോഗിക്കുന്നു, അതിൽ പരസ്പരം സംവദിക്കുന്ന ഒരു എൻകോഡറും ഡീകോഡറും ഉൾപ്പെടുന്നു. ഓഡിയോ 30-സെക്കൻഡ് ഭാഗങ്ങളായി വിഭജിക്കപ്പെട്ടിരിക്കുന്നു, അവ ഒരു ലോഗ്-മെൽ സ്പെക്ട്രോഗ്രാം ആയി പരിവർത്തനം ചെയ്യപ്പെടുകയും എൻകോഡറിലേക്ക് അയയ്ക്കുകയും ചെയ്യുന്നു. എൻകോഡറിന്റെ ഔട്ട്‌പുട്ട് ഡീകോഡറിലേക്ക് അയയ്‌ക്കുന്നു, ഇത് ഒരു പൊതു മോഡലിൽ, ഭാഷ കണ്ടെത്തൽ, ശൈലികളുടെ ഉച്ചാരണത്തിന്റെ കാലഗണന, ഭാഷയുടെ ട്രാൻസ്‌ക്രിപ്ഷൻ തുടങ്ങിയ പ്രശ്‌നങ്ങൾ പരിഹരിക്കാൻ അനുവദിക്കുന്ന പ്രത്യേക ടോക്കണുകൾ കലർന്ന ഒരു ടെക്‌സ്‌റ്റ് പ്രാതിനിധ്യം പ്രവചിക്കുന്നു. വിവിധ ഭാഷകൾ, ഇംഗ്ലീഷിലേക്കുള്ള വിവർത്തനം.

അവലംബം: opennet.ru