ਮੋਜ਼ੀਲਾ ਨੇ ਸਪੀਚ ਰਿਕੋਗਨੀਸ਼ਨ ਇੰਜਣ DeepSpeech 0.6 ਨੂੰ ਪੇਸ਼ ਕੀਤਾ

ਪੇਸ਼ ਕੀਤਾ ਮੋਜ਼ੀਲਾ ਦੁਆਰਾ ਵਿਕਸਤ ਭਾਸ਼ਣ ਪਛਾਣ ਇੰਜਣ ਦੀ ਰਿਲੀਜ਼ ਡੀਪ ਸਪੀਚ 0.6, ਜੋ ਉਸੇ ਨਾਮ ਦੀ ਬੋਲੀ ਪਛਾਣ ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ, ਪ੍ਰਸਤਾਵਿਤ Baidu ਦੇ ਖੋਜਕਰਤਾਵਾਂ ਦੁਆਰਾ। ਲਾਗੂਕਰਨ ਨੂੰ TensorFlow ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਪਲੇਟਫਾਰਮ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਪਾਈਥਨ ਵਿੱਚ ਲਿਖਿਆ ਗਿਆ ਹੈ ਅਤੇ ਦੁਆਰਾ ਵੰਡਿਆ ਮੁਫ਼ਤ MPL 2.0 ਲਾਇਸੈਂਸ ਦੇ ਤਹਿਤ। ਕੰਮ ਵਿੱਚ ਸਮਰਥਿਤ ਹੈ Linux, Android, macOS и Windowsਇਹ ਪ੍ਰਦਰਸ਼ਨ LePotato, Raspberry Pi 3, ਅਤੇ Raspberry Pi 4 ਬੋਰਡਾਂ 'ਤੇ ਇੰਜਣ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਹੈ।

ਸੈੱਟ ਵਿੱਚ ਵੀ ਸ਼ਾਮਲ ਹੈ ਦੀ ਪੇਸ਼ਕਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲ, ਉਦਾਹਰਣ ਕਮਾਂਡ ਲਾਈਨ ਤੋਂ ਸਾਊਂਡ ਫਾਈਲਾਂ ਅਤੇ ਮਾਨਤਾ ਟੂਲ। ਤੁਹਾਡੇ ਪ੍ਰੋਗਰਾਮਾਂ ਵਿੱਚ ਸਪੀਚ ਰਿਕੋਗਨੀਸ਼ਨ ਫੰਕਸ਼ਨ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਲਈ, Python, NodeJS, C++ ਅਤੇ .NET ਲਈ ਵਰਤੋਂ ਲਈ ਤਿਆਰ ਮੋਡੀਊਲ ਪੇਸ਼ ਕੀਤੇ ਜਾਂਦੇ ਹਨ (ਤੀਜੀ-ਧਿਰ ਡਿਵੈਲਪਰਾਂ ਨੇ ਇਸ ਲਈ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਤਿਆਰ ਕੀਤੇ ਮੋਡੀਊਲ ਹਨ। ਜੰਗਾਲ и Go). ਮੁਕੰਮਲ ਮਾਡਲ ਸਿਰਫ ਅੰਗਰੇਜ਼ੀ ਲਈ ਸਪਲਾਈ ਕੀਤਾ ਗਿਆ ਹੈ, ਪਰ ਦੁਆਰਾ ਹੋਰ ਭਾਸ਼ਾ ਲਈ ਨੱਥੀ ਹਦਾਇਤਾਂ ਤੁਸੀਂ ਸਿਸਟਮ ਨੂੰ ਆਪਣੇ ਆਪ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਸਿਖਲਾਈ ਦੇ ਸਕਦੇ ਹੋ ਵੌਇਸ ਡਾਟਾ, ਕਾਮਨ ਵੌਇਸ ਪ੍ਰੋਜੈਕਟ ਦੁਆਰਾ ਇਕੱਤਰ ਕੀਤਾ ਗਿਆ।

ਡੀਪ ਸਪੀਚ ਰਵਾਇਤੀ ਪ੍ਰਣਾਲੀਆਂ ਨਾਲੋਂ ਬਹੁਤ ਸਰਲ ਹੈ ਅਤੇ ਇਸਦੇ ਨਾਲ ਹੀ ਬਾਹਰੀ ਸ਼ੋਰ ਦੀ ਮੌਜੂਦਗੀ ਵਿੱਚ ਉੱਚ ਗੁਣਵੱਤਾ ਦੀ ਮਾਨਤਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇਹ ਪਰੰਪਰਾਗਤ ਧੁਨੀ ਮਾਡਲਾਂ ਅਤੇ ਧੁਨੀ ਦੇ ਸੰਕਲਪ ਨੂੰ ਬਾਈਪਾਸ ਕਰਦਾ ਹੈ, ਇਸਦੀ ਬਜਾਏ ਇੱਕ ਬਹੁਤ ਹੀ ਅਨੁਕੂਲਿਤ ਨਿਊਰਲ ਨੈੱਟਵਰਕ-ਅਧਾਰਿਤ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਪ੍ਰਣਾਲੀ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ ਜੋ ਵੱਖੋ-ਵੱਖਰੀਆਂ ਵਿਗਾੜਾਂ ਜਿਵੇਂ ਕਿ ਸ਼ੋਰ, ਗੂੰਜ ਅਤੇ ਭਾਸ਼ਣ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਨੂੰ ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਵੱਖਰੇ ਭਾਗਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਨ ਦੀ ਲੋੜ ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ।

ਇਸ ਪਹੁੰਚ ਦਾ ਨਨੁਕਸਾਨ ਇਹ ਹੈ ਕਿ ਇੱਕ ਨਿਊਰਲ ਨੈਟਵਰਕ ਦੀ ਉੱਚ-ਗੁਣਵੱਤਾ ਦੀ ਮਾਨਤਾ ਅਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ, ਡੀਪਸਪੀਚ ਇੰਜਣ ਨੂੰ ਵੱਖੋ-ਵੱਖਰੀਆਂ ਆਵਾਜ਼ਾਂ ਦੁਆਰਾ ਅਤੇ ਕੁਦਰਤੀ ਰੌਲੇ ਦੀ ਮੌਜੂਦਗੀ ਵਿੱਚ ਅਸਲ ਸਥਿਤੀਆਂ ਵਿੱਚ ਨਿਰਧਾਰਿਤ, ਬਹੁਤ ਸਾਰੇ ਵਿਭਿੰਨ ਡੇਟਾ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
ਮੋਜ਼ੀਲਾ ਵਿੱਚ ਬਣਾਇਆ ਗਿਆ ਇੱਕ ਪ੍ਰੋਜੈਕਟ ਅਜਿਹਾ ਡੇਟਾ ਇਕੱਠਾ ਕਰਦਾ ਹੈ। ਆਮ ਆਵਾਜ਼, 780 ਘੰਟਿਆਂ ਦੇ ਨਾਲ ਇੱਕ ਪ੍ਰਮਾਣਿਤ ਡੇਟਾਸੈਟ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਅੰਗ੍ਰੇਜ਼ੀ ਭਾਸ਼ਾ, ਜਰਮਨ ਵਿੱਚ 325, ਫ੍ਰੈਂਚ ਵਿੱਚ 173 ਅਤੇ ਰੂਸੀ ਵਿੱਚ 27 ਘੰਟੇ।

ਕਾਮਨ ਵੌਇਸ ਪ੍ਰੋਜੈਕਟ ਦਾ ਅੰਤਮ ਟੀਚਾ ਮਨੁੱਖੀ ਭਾਸ਼ਣ ਦੇ ਆਮ ਵਾਕਾਂਸ਼ਾਂ ਦੇ ਵੱਖ-ਵੱਖ ਉਚਾਰਨਾਂ ਦੀਆਂ 10 ਹਜ਼ਾਰ ਘੰਟਿਆਂ ਦੀ ਰਿਕਾਰਡਿੰਗਾਂ ਨੂੰ ਇਕੱਠਾ ਕਰਨਾ ਹੈ, ਜੋ ਮਾਨਤਾ ਵਿੱਚ ਗਲਤੀਆਂ ਦੇ ਇੱਕ ਸਵੀਕਾਰਯੋਗ ਪੱਧਰ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦੇਵੇਗਾ। ਇਸ ਦੇ ਮੌਜੂਦਾ ਰੂਪ ਵਿੱਚ, ਪ੍ਰੋਜੈਕਟ ਭਾਗੀਦਾਰਾਂ ਨੇ ਪਹਿਲਾਂ ਹੀ ਕੁੱਲ 4.3 ਹਜ਼ਾਰ ਘੰਟੇ ਨਿਰਧਾਰਤ ਕੀਤੇ ਹਨ, ਜਿਨ੍ਹਾਂ ਵਿੱਚੋਂ 3.5 ਹਜ਼ਾਰ ਦੀ ਜਾਂਚ ਕੀਤੀ ਗਈ ਹੈ। ਡੀਪ ਸਪੀਚ ਲਈ ਅੰਗ੍ਰੇਜ਼ੀ ਭਾਸ਼ਾ ਦੇ ਅੰਤਮ ਮਾਡਲ ਦੀ ਸਿਖਲਾਈ ਦਿੰਦੇ ਸਮੇਂ, 3816 ਘੰਟੇ ਦੇ ਭਾਸ਼ਣ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ, ਲਿਬਰੀਸਪੀਚ, ਫਿਸ਼ਰ ਅਤੇ ਸਵਿਚਬੋਰਡ ਪ੍ਰੋਜੈਕਟਾਂ ਤੋਂ ਆਮ ਆਵਾਜ਼ ਨੂੰ ਕਵਰ ਕਰਨ ਵਾਲੇ ਡੇਟਾ ਤੋਂ ਇਲਾਵਾ, ਅਤੇ ਲਗਭਗ 1700 ਘੰਟਿਆਂ ਦੀ ਪ੍ਰਤੀਲਿਪੀ ਰੇਡੀਓ ਸ਼ੋਅ ਰਿਕਾਰਡਿੰਗਾਂ ਵੀ ਸ਼ਾਮਲ ਸਨ।

ਡਾਉਨਲੋਡ ਲਈ ਪੇਸ਼ ਕੀਤੇ ਗਏ ਤਿਆਰ ਅੰਗਰੇਜ਼ੀ ਭਾਸ਼ਾ ਦੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਸਮੇਂ, ਟੈਸਟ ਸੈੱਟ ਨਾਲ ਮੁਲਾਂਕਣ ਕੀਤੇ ਜਾਣ 'ਤੇ DeepSpeech ਵਿੱਚ ਮਾਨਤਾ ਗਲਤੀ ਦਰ 7.5% ਹੁੰਦੀ ਹੈ। LibriSpeech. ਤੁਲਨਾ ਲਈ, ਮਨੁੱਖੀ ਮਾਨਤਾ ਲਈ ਗਲਤੀ ਦਰ ਅਨੁਮਾਨਿਤ 5.83%.

DeepSpeech ਵਿੱਚ ਦੋ ਸਬ-ਸਿਸਟਮ ਹੁੰਦੇ ਹਨ - ਇੱਕ ਧੁਨੀ ਮਾਡਲ ਅਤੇ ਇੱਕ ਡੀਕੋਡਰ। ਧੁਨੀ ਮਾਡਲ ਇਨਪੁਟ ਧੁਨੀ ਵਿੱਚ ਕੁਝ ਅੱਖਰਾਂ ਦੇ ਮੌਜੂਦ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਡੂੰਘੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤਰੀਕਿਆਂ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਡੀਕੋਡਰ ਅੱਖਰ ਸੰਭਾਵੀ ਡੇਟਾ ਨੂੰ ਟੈਕਸਟ ਪ੍ਰਤੀਨਿਧਤਾ ਵਿੱਚ ਬਦਲਣ ਲਈ ਇੱਕ ਰੇ ਖੋਜ ਐਲਗੋਰਿਦਮ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ।

ਮੁੱਖ ਨਵੀਨਤਾਵਾਂ DeepSpeech 0.6 (0.6 ਸ਼ਾਖਾ ਪਿਛਲੀਆਂ ਰੀਲੀਜ਼ਾਂ ਦੇ ਅਨੁਕੂਲ ਨਹੀਂ ਹੈ ਅਤੇ ਕੋਡ ਅਤੇ ਮਾਡਲ ਅੱਪਡੇਟ ਦੀ ਲੋੜ ਹੈ):

• ਇੱਕ ਨਵਾਂ ਸਟ੍ਰੀਮਿੰਗ ਡੀਕੋਡਰ ਪ੍ਰਸਤਾਵਿਤ ਹੈ ਜੋ ਉੱਚ ਪ੍ਰਤੀਕਿਰਿਆ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ ਅਤੇ ਪ੍ਰੋਸੈਸ ਕੀਤੇ ਆਡੀਓ ਡੇਟਾ ਦੇ ਆਕਾਰ ਤੋਂ ਸੁਤੰਤਰ ਹੈ। ਨਤੀਜੇ ਵਜੋਂ, DeepSpeech ਦਾ ਨਵਾਂ ਸੰਸਕਰਣ ਮਾਨਤਾ ਲਈ ਲੇਟੈਂਸੀ ਨੂੰ 260 ms ਤੱਕ ਘਟਾਉਣ ਵਿੱਚ ਕਾਮਯਾਬ ਰਿਹਾ, ਜੋ ਕਿ ਪਹਿਲਾਂ ਨਾਲੋਂ 73% ਤੇਜ਼ ਹੈ, ਅਤੇ DeepSpeech ਨੂੰ ਸਪੀਚ ਰਿਕੋਗਨੀਸ਼ਨ ਹੱਲਾਂ ਵਿੱਚ ਵਰਤਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ।
• ਏਪੀਆਈ ਵਿੱਚ ਬਦਲਾਅ ਕੀਤੇ ਗਏ ਹਨ ਅਤੇ ਫੰਕਸ਼ਨ ਦੇ ਨਾਮਾਂ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਲਈ ਕੰਮ ਕੀਤਾ ਗਿਆ ਹੈ। ਸਮਕਾਲੀਕਰਨ ਬਾਰੇ ਵਾਧੂ ਮੈਟਾਡੇਟਾ ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਫੰਕਸ਼ਨਾਂ ਨੂੰ ਜੋੜਿਆ ਗਿਆ ਹੈ, ਜਿਸ ਨਾਲ ਤੁਸੀਂ ਨਾ ਸਿਰਫ਼ ਇੱਕ ਆਉਟਪੁੱਟ ਦੇ ਰੂਪ ਵਿੱਚ ਇੱਕ ਟੈਕਸਟ ਨੁਮਾਇੰਦਗੀ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹੋ, ਸਗੋਂ ਆਡੀਓ ਸਟ੍ਰੀਮ ਵਿੱਚ ਇੱਕ ਸਥਿਤੀ ਲਈ ਵਿਅਕਤੀਗਤ ਅੱਖਰਾਂ ਅਤੇ ਵਾਕਾਂ ਦੇ ਬਾਈਡਿੰਗ ਨੂੰ ਵੀ ਟਰੈਕ ਕਰ ਸਕਦੇ ਹੋ।
• ਸਿਖਲਾਈ ਮੋਡੀਊਲ ਲਈ ਟੂਲਕਿੱਟ ਵਿੱਚ ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਸਮਰਥਨ ਸ਼ਾਮਲ ਕੀਤਾ ਗਿਆ ਹੈ CuDNN ਆਵਰਤੀ ਨਿਊਰਲ ਨੈੱਟਵਰਕ (RNN) ਦੇ ਨਾਲ ਕੰਮ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣ ਲਈ, ਜਿਸ ਨੇ ਮਾਡਲ ਸਿਖਲਾਈ ਪ੍ਰਦਰਸ਼ਨ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ (ਲਗਭਗ ਦੁੱਗਣਾ) ਵਾਧਾ ਪ੍ਰਾਪਤ ਕਰਨਾ ਸੰਭਵ ਬਣਾਇਆ, ਪਰ ਕੋਡ ਵਿੱਚ ਲੋੜੀਂਦੇ ਬਦਲਾਅ ਜੋ ਪਹਿਲਾਂ ਤਿਆਰ ਕੀਤੇ ਮਾਡਲਾਂ ਨਾਲ ਅਨੁਕੂਲਤਾ ਦੀ ਉਲੰਘਣਾ ਕਰਦੇ ਸਨ।
• ਘੱਟੋ-ਘੱਟ TensorFlow ਸੰਸਕਰਣ ਲੋੜਾਂ ਨੂੰ 1.13.1 ਤੋਂ 1.14.0 ਤੱਕ ਵਧਾ ਦਿੱਤਾ ਗਿਆ ਹੈ। TensorFlow Lite ਦੇ ਹਲਕੇ ਐਡੀਸ਼ਨ ਲਈ ਸਮਰਥਨ ਜੋੜਿਆ ਗਿਆ, ਜੋ DeepSpeech ਪੈਕੇਜ ਦੇ ਆਕਾਰ ਨੂੰ 98 MB ਤੋਂ 3.7 MB ਤੱਕ ਘਟਾ ਦਿੰਦਾ ਹੈ। ਏਮਬੈਡਡ ਅਤੇ ਮੋਬਾਈਲ ਡਿਵਾਈਸਾਂ 'ਤੇ ਵਰਤੋਂ ਲਈ, ਮਾਡਲ ਦੇ ਨਾਲ ਪੈਕ ਕੀਤੀ ਫਾਈਲ ਦਾ ਆਕਾਰ ਵੀ 188 MB ਤੋਂ ਘਟਾ ਕੇ 47 MB ​​ਕਰ ਦਿੱਤਾ ਗਿਆ ਹੈ (ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਤੋਂ ਬਾਅਦ ਸੰਕੁਚਨ ਲਈ ਕੁਆਂਟਾਇਜ਼ੇਸ਼ਨ ਵਿਧੀ ਵਰਤੀ ਜਾਂਦੀ ਹੈ)।
• ਭਾਸ਼ਾ ਮਾਡਲ ਨੂੰ ਇੱਕ ਵੱਖਰੇ ਡੇਟਾ ਢਾਂਚੇ ਦੇ ਫਾਰਮੈਟ ਵਿੱਚ ਅਨੁਵਾਦ ਕੀਤਾ ਗਿਆ ਹੈ ਜੋ ਲੋਡ ਹੋਣ 'ਤੇ ਫਾਈਲਾਂ ਨੂੰ ਮੈਮੋਰੀ ਵਿੱਚ ਮੈਪ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ। ਪੁਰਾਣੇ ਫਾਰਮੈਟ ਲਈ ਸਮਰਥਨ ਬੰਦ ਕਰ ਦਿੱਤਾ ਗਿਆ ਹੈ।
• ਇੱਕ ਭਾਸ਼ਾ ਮਾਡਲ ਦੇ ਨਾਲ ਇੱਕ ਫਾਈਲ ਨੂੰ ਲੋਡ ਕਰਨ ਦਾ ਮੋਡ ਬਦਲਿਆ ਗਿਆ ਹੈ, ਜਿਸ ਨਾਲ ਮੈਮੋਰੀ ਦੀ ਖਪਤ ਘਟੀ ਹੈ ਅਤੇ ਮਾਡਲ ਬਣਾਉਣ ਤੋਂ ਬਾਅਦ ਪਹਿਲੀ ਬੇਨਤੀ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਵੇਲੇ ਦੇਰੀ ਨੂੰ ਘਟਾਇਆ ਗਿਆ ਹੈ। ਓਪਰੇਸ਼ਨ ਦੌਰਾਨ, DeepSpeech ਹੁਣ 22 ਗੁਣਾ ਘੱਟ ਮੈਮੋਰੀ ਦੀ ਖਪਤ ਕਰਦਾ ਹੈ ਅਤੇ 500 ਗੁਣਾ ਤੇਜ਼ੀ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ।
  
• ਭਾਸ਼ਾ ਮਾਡਲ ਵਿੱਚ ਦੁਰਲੱਭ ਸ਼ਬਦਾਂ ਨੂੰ ਫਿਲਟਰ ਕੀਤਾ ਗਿਆ ਸੀ। ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਵਰਤੇ ਗਏ ਟੈਕਸਟ ਵਿੱਚ ਪਾਏ ਗਏ ਸਭ ਤੋਂ ਵੱਧ ਪ੍ਰਸਿੱਧ ਸ਼ਬਦਾਂ ਵਿੱਚੋਂ ਸ਼ਬਦਾਂ ਦੀ ਕੁੱਲ ਸੰਖਿਆ 500 ਹਜ਼ਾਰ ਤੱਕ ਘਟਾ ਦਿੱਤੀ ਗਈ ਸੀ। ਸਫਾਈ ਨੇ ਭਾਸ਼ਾ ਮਾਡਲ ਦੇ ਆਕਾਰ ਨੂੰ 1800MB ਤੋਂ 900MB ਤੱਕ ਘਟਾਉਣਾ ਸੰਭਵ ਬਣਾਇਆ ਹੈ, ਜਿਸ ਨਾਲ ਮਾਨਤਾ ਗਲਤੀ ਦਰ 'ਤੇ ਕੋਈ ਅਸਰ ਨਹੀਂ ਹੋਇਆ।
• ਵੱਖ-ਵੱਖ ਲਈ ਸਹਿਯੋਗ ਸ਼ਾਮਿਲ ਕੀਤਾ ਗਿਆ ਹੈ ਟੈਕਨੀਸ਼ੀਅਨ ਸਿਖਲਾਈ ਵਿੱਚ ਵਰਤੇ ਗਏ ਆਡੀਓ ਡੇਟਾ ਦੇ ਵਾਧੂ ਭਿੰਨਤਾਵਾਂ (ਵਧਾਉਣ) ਬਣਾਉਣਾ (ਉਦਾਹਰਨ ਲਈ, ਵਿਕਲਪਾਂ ਦੇ ਇੱਕ ਸਮੂਹ ਵਿੱਚ ਵਿਗਾੜ ਜਾਂ ਰੌਲਾ ਜੋੜਨਾ)।
• .NET ਪਲੇਟਫਾਰਮ 'ਤੇ ਆਧਾਰਿਤ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੇ ਨਾਲ ਏਕੀਕਰਣ ਲਈ ਬਾਈਡਿੰਗਾਂ ਵਾਲੀ ਇੱਕ ਲਾਇਬ੍ਰੇਰੀ ਸ਼ਾਮਲ ਕੀਤੀ ਗਈ।
• ਦਸਤਾਵੇਜ਼ਾਂ ਨੂੰ ਦੁਬਾਰਾ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ ਅਤੇ ਹੁਣ ਇੱਕ ਵੱਖਰੀ ਵੈੱਬਸਾਈਟ 'ਤੇ ਇਕੱਤਰ ਕੀਤਾ ਗਿਆ ਹੈ। deepspeech.readthedocs.io.

ਸਰੋਤ: opennet.ru