Google ध्वनी वेगळे करण्यासाठी डेटा आणि मशीन लर्निंग मॉडेल जारी करते

Google प्रकाशित संदर्भ मिश्रित ध्वनींचा एक भाष्य डेटाबेस जो त्यांच्या वैयक्तिक घटकांमध्ये अनियंत्रित मिश्र ध्वनी विभक्त करण्यासाठी वापरल्या जाणाऱ्या मशीन लर्निंग सिस्टममध्ये वापरला जाऊ शकतो. जेनेरिक डीप मशीन लर्निंग मॉडेल (TDCN++) देखील प्रकाशित केले गेले आहे जे आवाज वेगळे करण्यासाठी टेन्सरफ्लोमध्ये वापरले जाऊ शकते. संकलनावर आधारित डेटा तयार केला जातो freesound.org и प्रकाशित CC BY 4.0 अंतर्गत परवानाकृत.

सादर केलेला प्रकल्प FUSS (फ्री युनिव्हर्सल साउंड सेपरेशन) कितीही अनियंत्रित ध्वनी विभक्त करण्याच्या समस्येचे निराकरण करण्याच्या उद्देशाने आहे, ज्याचे स्वरूप आगाऊ माहित नाही. इतर तत्सम प्रणाली सामान्यतः विशिष्ट ध्वनी, जसे की आवाज आणि गैर-आवाज, किंवा भिन्न लोक बोलतात यामधील फरक ओळखण्याच्या कार्यापुरते मर्यादित असतात.

डेटाबेसमध्ये सुमारे 20 हजार मिश्रणे आहेत. किटमध्ये कस्टम-बिल्ट रूम सिम्युलेटर वापरून पूर्व-गणना केलेल्या खोलीच्या आवेग प्रतिसादांचा देखील समावेश आहे जो भिंतीवरील प्रतिबिंब, ध्वनी स्रोत स्थान आणि मायक्रोफोन स्थान लक्षात घेतो.

स्त्रोत: opennet.ru