व्होस्क लायब्ररीमध्ये रशियन भाषण ओळखण्यासाठी नवीन मॉडेल

व्होस्क लायब्ररीच्या विकसकांनी रशियन भाषण ओळखण्यासाठी नवीन मॉडेल प्रकाशित केले आहेत: सर्व्हर वोस्क-मॉडेल-रू-0.22 आणि मोबाइल व्होस्क-मॉडेल-स्मॉल-रू-0.22. मॉडेल नवीन स्पीच डेटा, तसेच नवीन न्यूरल नेटवर्क आर्किटेक्चर वापरतात, ज्यामुळे ओळख अचूकता 10-20% वाढली आहे. कोड आणि डेटा Apache 2.0 लायसन्स अंतर्गत वितरित केला जातो.

महत्त्वाचे बदल:

• व्हॉईस स्पीकरमध्ये संकलित केलेला नवीन डेटा दुरून बोलल्या जाणार्‍या स्पीच कमांड्सची ओळख लक्षणीयरीत्या सुधारतो.
• नवीन ऑडिओ एक्स्ट्रॅक्शन स्कीमने वाइडबँड रेकॉर्डिंगसाठी ओळख अचूकतेमध्ये लक्षणीय सुधारणा केली आहे. त्याच वेळी, टेलिफोनी ओळखण्याची अचूकता देखील सुधारली आहे.
• शब्दकोश विस्तार पॅकेज आपल्याला जटिल तांत्रिक रेकॉर्डची ओळख सानुकूलित करण्याची परवानगी देते.

सर्वोत्तम अचूकतेसाठी, मेण आवृत्ती 0.3.32 वर अद्यतनित करण्याची शिफारस केली जाते. तुम्हाला व्होस्कच्या नवीन वैशिष्ट्यांमध्ये देखील स्वारस्य असू शकते - युनिटी, नेटिव्हस्क्रिप्ट, जिगासीसह एकत्रीकरण. कझाक आणि युक्रेनियन भाषा ओळखण्यासाठी मॉडेल. सर्व्हर मॉडेलला ऑपरेट करण्यासाठी आधुनिक प्रोसेसर आणि 8GB मेमरी आवश्यक आहे. मोबाईल मॉडेल फोन आणि RaspberryPi 3+ मध्ये वापरले जाऊ शकते.

स्त्रोत: opennet.ru