व्हिस्पर वाक् पहिचान र अनुवाद प्रणालीको लागि कोड खोलिएको छ

ओपनएआई परियोजना, जसले कृत्रिम बुद्धिमत्ताको क्षेत्रमा सार्वजनिक परियोजनाहरू विकास गर्दछ, ह्वीस्पर स्पीच पहिचान प्रणालीसँग सम्बन्धित विकासहरू प्रकाशित गरेको छ। यो दाबी गरिएको छ कि अंग्रेजीमा भाषणको लागि प्रणालीले मानव पहिचानको नजिक स्वचालित पहिचानको विश्वसनीयता र शुद्धताको स्तर प्रदान गर्दछ। PyTorch फ्रेमवर्कमा आधारित सन्दर्भ कार्यान्वयनको लागि कोड र पहिले नै प्रशिक्षित मोडेलहरूको सेट, प्रयोगको लागि तयार, खोलिएको छ। कोड MIT लाइसेन्स अन्तर्गत खुला छ।

मोडेललाई प्रशिक्षित गर्न, 680 हजार घण्टा भाषण डाटा प्रयोग गरिएको थियो, विभिन्न भाषाहरू र विषय क्षेत्रहरू कभर धेरै संग्रहहरूबाट सङ्कलन। तालिममा संलग्न भाषण डेटाको लगभग 1/3 अंग्रेजी बाहेक अन्य भाषाहरूमा छ। प्रस्तावित प्रणालीले एक्सेन्टेड उच्चारण, पृष्ठभूमि शोर, र प्राविधिक शब्दावलीको प्रयोग जस्ता परिस्थितिहरूलाई सही रूपमा ह्यान्डल गर्छ। भाषणलाई पाठमा ट्रान्सक्राइब गर्नुको अतिरिक्त, प्रणालीले कुनै पनि भाषाबाट अङ्ग्रेजीमा बोली अनुवाद गर्न र अडियो स्ट्रिममा भाषणको उपस्थिति पत्ता लगाउन सक्छ।

मोडेलहरू दुई प्रतिनिधित्वहरूमा बनाइन्छ: अंग्रेजी भाषाको लागि एउटा मोडेल र एक बहुभाषी मोडेल, जसले रूसी, युक्रेनी र बेलारूसी भाषाहरूलाई पनि समर्थन गर्दछ। बारीमा, प्रत्येक प्रतिनिधित्वलाई 5 विकल्पहरूमा विभाजन गरिएको छ, आकार र मोडेलमा कभर गरिएका प्यारामिटरहरूको संख्यामा भिन्न। आकार जति ठूलो हुन्छ, पहिचानको शुद्धता र गुणस्तर जति ठूलो हुन्छ, तर GPU भिडियो मेमोरीको साइजको लागि आवश्यकताहरू र कम कार्यसम्पादन पनि उति नै बढी हुन्छ। उदाहरणका लागि, न्यूनतम विकल्पमा 39 मिलियन प्यारामिटरहरू समावेश छन् र भिडियो मेमोरीको 1 GB आवश्यक छ, र अधिकतममा 1550 मिलियन प्यारामिटरहरू समावेश छन् र 10 GB भिडियो मेमोरी चाहिन्छ। न्यूनतम विकल्प अधिकतम भन्दा 32 गुणा छिटो छ।

प्रणालीले ट्रान्सफर्मर न्यूरल नेटवर्क आर्किटेक्चर प्रयोग गर्दछ, जसमा एक-अर्कासँग अन्तरक्रिया गर्ने एन्कोडर र डिकोडर समावेश हुन्छ। अडियोलाई ३०-सेकेन्डको टुक्रामा विभाजन गरिएको छ, जुन लग-मेल स्पेक्ट्रोग्राममा रूपान्तरित हुन्छ र इन्कोडरमा पठाइन्छ। एन्कोडरको आउटपुट डिकोडरमा पठाइन्छ, जसले विशेष टोकनहरूसँग मिश्रित पाठ प्रतिनिधित्वको भविष्यवाणी गर्दछ जसले एक सामान्य मोडेलमा भाषा पत्ता लगाउने, वाक्यांशहरूको उच्चारणको कालक्रमको लागि लेखांकन, बोलीको ट्रान्सक्रिप्शन जस्ता समस्याहरू समाधान गर्न अनुमति दिन्छ। विभिन्न भाषाहरू, र अंग्रेजीमा अनुवाद।

स्रोत: opennet.ru