व्हिस्पर स्पीच रेकग्निशन आणि ट्रान्सलेशन सिस्टमसाठी कोड उघडला गेला आहे

कृत्रिम बुद्धिमत्तेच्या क्षेत्रात सार्वजनिक प्रकल्प विकसित करणार्‍या OpenAI प्रकल्पाने व्हिस्पर स्पीच रेकग्निशन सिस्टमशी संबंधित घडामोडी प्रकाशित केल्या आहेत. असा दावा केला जातो की इंग्रजीतील भाषणासाठी सिस्टम मानवी ओळखीच्या जवळ स्वयंचलित ओळखीची विश्वासार्हता आणि अचूकता प्रदान करते. PyTorch फ्रेमवर्कवर आधारित संदर्भ अंमलबजावणीसाठी कोड आणि आधीच प्रशिक्षित मॉडेल्सचा संच, वापरासाठी तयार, उघडला गेला आहे. कोड MIT परवान्याअंतर्गत खुला आहे.

मॉडेलला प्रशिक्षित करण्यासाठी, 680 हजार तासांचा भाषण डेटा वापरला गेला, विविध भाषा आणि विषय क्षेत्रांचा समावेश असलेल्या अनेक संग्रहांमधून गोळा केला गेला. प्रशिक्षणात समाविष्ट असलेल्या भाषण डेटापैकी सुमारे 1/3 इंग्रजी व्यतिरिक्त इतर भाषांमध्ये आहे. प्रस्तावित प्रणाली उच्चारित उच्चार, पार्श्वभूमी आवाज आणि तांत्रिक शब्दशैलीचा वापर यासारख्या परिस्थिती योग्यरित्या हाताळते. मजकुरामध्ये भाषणाचे प्रतिलेखन करण्याव्यतिरिक्त, सिस्टम कोणत्याही भाषेतून इंग्रजीमध्ये भाषणाचे भाषांतर देखील करू शकते आणि ऑडिओ प्रवाहात भाषणाचे स्वरूप शोधू शकते.

मॉडेल दोन प्रतिनिधित्वांमध्ये तयार केले जातात: इंग्रजी भाषेसाठी एक मॉडेल आणि एक बहुभाषी मॉडेल, जे रशियन, युक्रेनियन आणि बेलारूसी भाषांना देखील समर्थन देते. या बदल्यात, प्रत्येक प्रतिनिधित्व 5 पर्यायांमध्ये विभागले गेले आहे, आकार आणि मॉडेलमध्ये समाविष्ट केलेल्या पॅरामीटर्सच्या संख्येमध्ये भिन्न आहे. आकार जितका मोठा असेल तितकी ओळखीची अचूकता आणि गुणवत्ता जास्त असेल, परंतु GPU व्हिडिओ मेमरीच्या आकारासाठी आवश्यक असलेल्या आवश्यकता आणि कार्यप्रदर्शन कमी असेल. उदाहरणार्थ, किमान पर्यायामध्ये 39 दशलक्ष पॅरामीटर्स समाविष्ट आहेत आणि 1 GB व्हिडिओ मेमरी आवश्यक आहे आणि कमाल 1550 दशलक्ष पॅरामीटर्स समाविष्ट आहेत आणि 10 GB व्हिडिओ मेमरी आवश्यक आहे. किमान पर्याय कमाल पेक्षा 32 पट वेगवान आहे.

सिस्टम ट्रान्सफॉर्मर न्यूरल नेटवर्क आर्किटेक्चर वापरते, ज्यामध्ये एन्कोडर आणि डीकोडरचा समावेश होतो जे एकमेकांशी संवाद साधतात. ऑडिओ 30-सेकंद भागांमध्ये मोडला जातो, जो लॉग-मेल स्पेक्ट्रोग्राममध्ये रूपांतरित होतो आणि एन्कोडरला पाठविला जातो. एन्कोडरचे आउटपुट डीकोडरला पाठवले जाते, जे विशिष्ट टोकन्ससह मिश्रित मजकूर प्रतिनिधित्वाचा अंदाज लावते जे एका सामान्य मॉडेलमध्ये, भाषा ओळखणे, वाक्यांशांच्या उच्चारांच्या कालक्रमासाठी लेखांकन, उच्चारांचे लिप्यंतरण यासारख्या समस्यांचे निराकरण करण्यास अनुमती देते. विविध भाषा आणि इंग्रजीमध्ये अनुवाद.

स्त्रोत: opennet.ru