व्हिस्पर वाक् पहिचान र अनुवाद प्रणालीको लागि कोड खोलिएको छ

आर्टिफिसियल इन्टेलिजेन्सको क्षेत्रमा सार्वजनिक रूपमा उपलब्ध परियोजनाहरू विकास गर्ने ओपनएआई परियोजनाले व्हिस्पर वाक् पहिचान प्रणालीसँग सम्बन्धित विकासहरू प्रकाशित गरेको छ। यो दाबी गरिएको छ कि अंग्रेजीमा बोलीको लागि, प्रणालीले मानव पहिचानको नजिक स्वचालित पहिचानको विश्वसनीयता र शुद्धताको स्तर प्रदान गर्दछ। पाइटोर्च फ्रेमवर्कमा आधारित सन्दर्भ कार्यान्वयनको कोड र प्रयोगको लागि तयार पहिले नै प्रशिक्षित मोडेलहरूको सेट खुला छ। कोड MIT लाइसेन्स अन्तर्गत खुला छ।

विभिन्न भाषा र विषय क्षेत्रहरू समेट्ने विभिन्न संग्रहहरूबाट सङ्कलन गरिएको ६,८०,००० घण्टाको भाषण डेटा प्रयोग गरेर मोडेललाई तालिम दिइएको थियो। तालिममा प्रयोग हुने भाषण डेटाको लगभग १/३ भाग अंग्रेजी बाहेक अन्य भाषाहरूबाट आउँछ। प्रस्तावित प्रणालीले उच्चारण गरिएको उच्चारण, पृष्ठभूमि आवाजको उपस्थिति र प्राविधिक शब्दजालको प्रयोग जस्ता परिस्थितिहरूलाई सही रूपमा ह्यान्डल गर्दछ। भाषणलाई पाठमा ट्रान्सक्राइब गर्नुको अतिरिक्त, प्रणालीले कुनै पनि भाषाबाट अंग्रेजीमा भाषण अनुवाद गर्न र अडियो स्ट्रिममा भाषणको घटना पत्ता लगाउन सक्छ।

मोडेलहरू दुई प्रतिनिधित्वमा बनाइएका छन्: अंग्रेजी भाषाको लागि एउटा मोडेल र रूसी, युक्रेनी र बेलारूसी भाषालाई समर्थन गर्ने बहुभाषी मोडेल। फलस्वरूप, प्रत्येक प्रतिनिधित्वलाई ५ भेरियन्टहरूमा विभाजन गरिएको छ जुन आकार र मोडेलले समेटेका प्यारामिटरहरूको संख्यामा फरक हुन्छ। आकार जति ठूलो हुन्छ, पहिचानको शुद्धता र गुणस्तर त्यति नै बढी हुन्छ, तर GPU भिडियो मेमोरीको आकार र कम प्रदर्शनको लागि उच्च आवश्यकताहरू पनि हुन्छन्। उदाहरणका लागि, न्यूनतम भेरियन्टमा ३ करोड ९० लाख प्यारामिटरहरू समावेश छन् र १ GB भिडियो मेमोरी चाहिन्छ, र अधिकतममा १५५० मिलियन प्यारामिटरहरू समावेश छन् र १० GB भिडियो मेमोरी चाहिन्छ। न्यूनतम भेरियन्ट अधिकतम भन्दा ३२ गुणा छिटो छ।

यो प्रणालीले ट्रान्सफर्मर न्यूरल नेटवर्क आर्किटेक्चर प्रयोग गर्दछ, जसमा अन्तरक्रिया गर्ने एन्कोडर र डिकोडर समावेश छ। अडियोलाई ३०-सेकेन्डको भागमा विभाजन गरिएको छ, जुन लग-मेल स्पेक्ट्रोग्राममा रूपान्तरण गरिन्छ र एन्कोडरमा पठाइन्छ। एन्कोडरको आउटपुट डिकोडरमा पठाइन्छ, जसले विशेष टोकनहरूसँग मिसाइएको पाठ प्रतिनिधित्वको भविष्यवाणी गर्दछ जसले एउटा साझा मोडेललाई भाषा पत्ता लगाउने, वाक्यांशहरूको उच्चारणको कालक्रमको लागि लेखाजोखा गर्ने, विभिन्न भाषाहरूमा भाषणको ट्रान्सक्रिप्शन, र अंग्रेजीमा अनुवाद जस्ता समस्याहरू समाधान गर्न अनुमति दिन्छ।

स्रोत: opennet.ru