मोजिलाले स्पीच रिकग्निसन इन्जिन DeepSpeech 0.6 प्रस्तुत गर्‍यो

परिचय गराए मोजिला द्वारा विकसित वाक् पहिचान इन्जिन को रिलीज डीप स्पीच ०.६, जसले उही नामको वाक् पहिचान वास्तुकला लागू गर्दछ, प्रस्तावित Baidu का अनुसन्धानकर्ताहरू द्वारा। कार्यान्वयन TensorFlow मेसिन लर्निङ प्लेटफर्म र प्रयोग गरेर Python मा लेखिएको छ द्वारा वितरित नि: शुल्क MPL 2.0 लाइसेन्स अन्तर्गत। लिनक्स, एन्ड्रोइड, macOS र Windows मा काम समर्थन गर्दछ। प्रदर्शन LePotato, Raspberry Pi 3 र Raspberry Pi 4 बोर्डहरूमा इन्जिन प्रयोग गर्न पर्याप्त छ।

सेटमा पनि समावेश छ प्रस्ताव गरिन्छ प्रशिक्षित मोडेलहरू, उदाहरणहरू कमाण्ड लाइनबाट ध्वनि फाइलहरू र पहिचान उपकरणहरू। तपाईंको प्रोग्रामहरूमा वाक् पहिचान प्रकार्यलाई एकीकृत गर्न, Python, NodeJS, C++ र .NET का लागि प्रयोग गर्न तयार मोड्युलहरू प्रस्तावित छन् (तेस्रो-पक्ष विकासकर्ताहरूले छुट्टै मोड्युलहरू तयार गरेका छन्। खियाले и Go)। समाप्त मोडेल अंग्रेजी को लागी मात्र आपूर्ति गरिएको छ, तर द्वारा अन्य भाषाहरु को लागी संलग्न निर्देशनहरू तपाईं आफैं प्रयोग गरेर प्रणाली प्रशिक्षित गर्न सक्नुहुन्छ आवाज डाटासाझा आवाज परियोजना द्वारा संकलित।

DeepSpeech परम्परागत प्रणालीहरू भन्दा धेरै सरल छ र एकै समयमा बाहिरी आवाजको उपस्थितिमा उच्च गुणस्तर मान्यता प्रदान गर्दछ। यसले परम्परागत ध्वनिक मोडेलहरू र फोनमहरूको अवधारणालाई बाइपास गर्दछ, यसको सट्टा उच्च अनुकूलित न्यूरल नेटवर्क-आधारित मेसिन लर्निङ प्रणाली प्रयोग गरी विभिन्न विसंगतिहरू जस्तै आवाज, प्रतिध्वनि, र वाणी सुविधाहरूको मोडेल गर्नको लागि छुट्टै कम्पोनेन्टहरू विकास गर्ने आवश्यकतालाई हटाउँछ।

यस दृष्टिकोणको नकारात्मक पक्ष भनेको न्यूरल नेटवर्कको उच्च-गुणस्तरको पहिचान र प्रशिक्षण प्राप्त गर्नको लागि, DeepSpeech इन्जिनलाई विभिन्न आवाजहरू र प्राकृतिक शोरको उपस्थितिमा वास्तविक परिस्थितिहरूमा निर्देशित गरिएको ठूलो मात्रामा विषम डेटा चाहिन्छ।
मोजिलामा सिर्जना गरिएको परियोजनाले यस्तो डाटा सङ्कलन गर्छ। साझा आवाज, 780 घण्टाको साथ प्रमाणित डेटासेट प्रदान गर्दै अंग्रेजी भाषा, जर्मनमा 325, फ्रेन्चमा 173 र रूसीमा 27 घण्टा।

साझा आवाज परियोजनाको अन्तिम लक्ष्य मानव बोलीको विशिष्ट वाक्यांशहरूको विभिन्न उच्चारणहरूको 10 हजार घण्टा रेकर्डिङहरू संकलन गर्नु हो, जसले पहिचानमा त्रुटिहरूको स्वीकार्य स्तर हासिल गर्न अनुमति दिनेछ। यसको हालको फारममा, परियोजना सहभागीहरूले पहिले नै कुल 4.3 हजार घण्टा निर्देशन गरिसकेका छन्, जसमध्ये 3.5 हजार परीक्षण गरिएको छ। DeepSpeech को लागि अन्तिम अंग्रेजी भाषा मोडेल प्रशिक्षण गर्दा, 3816 घण्टा भाषण को उपयोग गरियो, LibriSpeech, Fisher र Switchboard परियोजनाहरु को साझा आवाज कभर डाटा को अतिरिक्त, र लगभग 1700 घन्टा ट्रान्सक्राइब गरिएको रेडियो शो रेकर्डिङ सहित।

डाउनलोडको लागि प्रस्ताव गरिएको तयार-निर्मित अंग्रेजी भाषा मोडेल प्रयोग गर्दा, परीक्षण सेटको साथ मूल्याङ्कन गर्दा DeepSpeech मा पहिचान त्रुटि दर 7.5% हुन्छ। LibriSpeech। तुलनाको लागि, मानव पहिचानको लागि त्रुटि दर अनुमानित %% मा।

DeepSpeech दुई उपप्रणालीहरू समावेश गर्दछ - एक ध्वनिक मोडेल र एक डिकोडर। ध्वनिक मोडेलले इनपुट ध्वनिमा केही वर्णहरू उपस्थित हुने सम्भावनाको गणना गर्न गहिरो मेसिन लर्निङ विधिहरू प्रयोग गर्दछ। डिकोडरले अक्षर सम्भाव्यता डेटालाई पाठ प्रतिनिधित्वमा रूपान्तरण गर्न रे खोज एल्गोरिदम प्रयोग गर्दछ।

मुख्य नवाचारहरू DeepSpeech 0.6 (0.6 शाखा अघिल्लो रिलीजहरूसँग उपयुक्त छैन र कोड र मोडेल अद्यावधिकहरू आवश्यक छ):

• एउटा नयाँ स्ट्रिमिङ डिकोडर प्रस्ताव गरिएको छ जसले उच्च प्रतिक्रिया प्रदान गर्दछ र प्रशोधित अडियो डेटाको आकारबाट स्वतन्त्र छ। फलस्वरूप, DeepSpeech को नयाँ संस्करणले पहिचानको लागि विलम्बतालाई 260 ms मा घटाउन व्यवस्थित गर्यो, जुन पहिले भन्दा 73% छिटो छ, र DeepSpeech लाई उडानमा स्पीच पहिचान समाधानहरूमा प्रयोग गर्न अनुमति दिन्छ।
• API मा परिवर्तनहरू गरिएका छन् र प्रकार्य नामहरू एकताबद्ध गर्न काम गरिएको छ। सिङ्क्रोनाइजेसनको बारेमा थप मेटाडेटा प्राप्त गर्नका लागि कार्यहरू थपिएका छन्, जसले तपाईंलाई आउटपुटको रूपमा पाठ प्रतिनिधित्व प्राप्त गर्न मात्र होइन, तर अडियो स्ट्रिमको स्थितिमा व्यक्तिगत क्यारेक्टरहरू र वाक्यहरूको बाइन्डिङ ट्र्याक गर्न पनि अनुमति दिन्छ।
• तालिम मोड्युलहरूको लागि टुलकिटमा पुस्तकालय प्रयोग गर्नको लागि समर्थन थपिएको छ CuDNN पुनरावर्ती न्यूरल नेटवर्कहरू (RNN) सँग कामलाई अनुकूलन गर्न, जसले मोडेल प्रशिक्षण प्रदर्शनमा महत्त्वपूर्ण (लगभग दुई गुणा) वृद्धि हासिल गर्न सम्भव बनायो, तर पहिले तयार गरिएका मोडेलहरूसँग अनुकूलता उल्लङ्घन गर्ने कोडमा आवश्यक परिवर्तनहरू।
• न्यूनतम TensorFlow संस्करण आवश्यकताहरू 1.13.1 बाट 1.14.0 मा बढाइएको छ। TensorFlow Lite को हल्का संस्करणको लागि समर्थन थपियो, जसले DeepSpeech प्याकेजको आकार 98 MB बाट 3.7 MB मा घटाउँछ। इम्बेडेड र मोबाइल उपकरणहरूमा प्रयोगको लागि, मोडेलको साथ प्याक गरिएको फाइलको साइज पनि 188 MB बाट 47 MB ​​मा घटाइएको छ (मोडल प्रशिक्षित भएपछि कम्प्रेसनको लागि क्वान्टाइजेशन विधि प्रयोग गरिन्छ)।
• भाषा मोडेललाई फरक डाटा संरचना ढाँचामा अनुवाद गरिएको छ जसले फाइलहरूलाई लोड गर्दा मेमोरीमा म्याप गर्न अनुमति दिन्छ। पुरानो ढाँचाको लागि समर्थन बन्द गरिएको छ।
• भाषा मोडेलको साथ फाइल लोड गर्ने मोड परिवर्तन गरिएको छ, जसले मेमोरी खपत कम गरेको छ र मोडेल सिर्जना गरेपछि पहिलो अनुरोध प्रशोधन गर्दा ढिलाइ कम गरेको छ। सञ्चालनको क्रममा, DeepSpeech ले अब 22 गुणा कम मेमोरी खपत गर्छ र 500 गुणा छिटो सुरु हुन्छ।
  

• भाषा मोडेलमा दुर्लभ शब्दहरू फिल्टर गरिएको थियो। शब्दहरूको कुल संख्या मोडेललाई तालिम दिन प्रयोग गरिएको पाठमा पाइने सबैभन्दा लोकप्रिय शब्दहरूको 500 हजारमा घटाइएको थियो। सफाईले भाषा मोडेलको आकारलाई 1800MB बाट 900MB मा घटाउन सम्भव बनायो, पहिचान त्रुटि दरमा वस्तुतः कुनै प्रभाव पारेन।
• विभिन्न लागि समर्थन थपियो प्राविधिक प्रशिक्षणमा प्रयोग हुने अडियो डेटाको अतिरिक्त भिन्नताहरू (बढाउने) सिर्जना गर्दै (उदाहरणका लागि, विकल्पहरूको सेटमा विकृति वा आवाज थप्ने)।
• .NET प्लेटफर्ममा आधारित अनुप्रयोगहरूसँग एकीकरणको लागि बाइन्डिङसहितको पुस्तकालय थपियो।
• कागजातहरू पुन: काम गरिएको छ र अब छुट्टै वेबसाइटमा सङ्कलन गरिएको छ। deepspeech.readthedocs.io.

स्रोत: opennet.ru