ਵਿਸਪਰ ਬੋਲੀ ਪਛਾਣ ਅਤੇ ਅਨੁਵਾਦ ਪ੍ਰਣਾਲੀ ਲਈ ਕੋਡ ਖੋਲ੍ਹਿਆ ਗਿਆ ਹੈ

ਓਪਨਏਆਈ ਪ੍ਰੋਜੈਕਟ, ਜੋ ਕਿ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੇ ਖੇਤਰ ਵਿੱਚ ਜਨਤਕ ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ ਵਿਕਸਤ ਕਰਦਾ ਹੈ, ਨੇ ਵਿਸਪਰ ਸਪੀਚ ਪਛਾਣ ਪ੍ਰਣਾਲੀ ਨਾਲ ਸਬੰਧਤ ਵਿਕਾਸ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤੇ ਹਨ। ਇਹ ਦਾਅਵਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਕਿ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਭਾਸ਼ਣ ਲਈ ਸਿਸਟਮ ਮਨੁੱਖੀ ਮਾਨਤਾ ਦੇ ਨੇੜੇ ਆਟੋਮੈਟਿਕ ਮਾਨਤਾ ਦੀ ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਦੇ ਪੱਧਰ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। PyTorch ਫਰੇਮਵਰਕ ਦੇ ਅਧਾਰ ਤੇ ਸੰਦਰਭ ਲਾਗੂ ਕਰਨ ਲਈ ਕੋਡ ਅਤੇ ਪਹਿਲਾਂ ਤੋਂ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮਾਡਲਾਂ ਦਾ ਇੱਕ ਸਮੂਹ, ਵਰਤੋਂ ਲਈ ਤਿਆਰ, ਖੋਲ੍ਹਿਆ ਗਿਆ ਹੈ। ਕੋਡ MIT ਲਾਇਸੰਸ ਦੇ ਤਹਿਤ ਖੁੱਲ੍ਹਾ ਹੈ।

ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ, ਵੱਖ-ਵੱਖ ਭਾਸ਼ਾਵਾਂ ਅਤੇ ਵਿਸ਼ਾ ਖੇਤਰਾਂ ਨੂੰ ਕਵਰ ਕਰਨ ਵਾਲੇ ਕਈ ਸੰਗ੍ਰਹਿ ਤੋਂ ਇਕੱਤਰ ਕੀਤੇ ਗਏ 680 ਹਜ਼ਾਰ ਘੰਟਿਆਂ ਦੇ ਭਾਸ਼ਣ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਸੀ। ਸਿਖਲਾਈ ਵਿੱਚ ਸ਼ਾਮਲ ਭਾਸ਼ਣ ਡੇਟਾ ਦਾ ਲਗਭਗ 1/3 ਹਿੱਸਾ ਅੰਗਰੇਜ਼ੀ ਤੋਂ ਇਲਾਵਾ ਹੋਰ ਭਾਸ਼ਾਵਾਂ ਵਿੱਚ ਹੈ। ਪ੍ਰਸਤਾਵਿਤ ਪ੍ਰਣਾਲੀ ਸਹੀ ਢੰਗ ਨਾਲ ਸਥਿਤੀਆਂ ਨੂੰ ਸੰਭਾਲਦੀ ਹੈ ਜਿਵੇਂ ਕਿ ਲਹਿਜ਼ੇ ਦੇ ਉਚਾਰਨ, ਪਿਛੋਕੜ ਦੀ ਆਵਾਜ਼, ਅਤੇ ਤਕਨੀਕੀ ਸ਼ਬਦਾਵਲੀ ਦੀ ਵਰਤੋਂ। ਭਾਸ਼ਣ ਨੂੰ ਟੈਕਸਟ ਵਿੱਚ ਟ੍ਰਾਂਸਕ੍ਰਾਈਬ ਕਰਨ ਤੋਂ ਇਲਾਵਾ, ਸਿਸਟਮ ਕਿਸੇ ਵੀ ਭਾਸ਼ਾ ਤੋਂ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਭਾਸ਼ਣ ਦਾ ਅਨੁਵਾਦ ਵੀ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਆਡੀਓ ਸਟ੍ਰੀਮ ਵਿੱਚ ਭਾਸ਼ਣ ਦੀ ਦਿੱਖ ਦਾ ਪਤਾ ਲਗਾ ਸਕਦਾ ਹੈ।

ਮਾਡਲ ਦੋ ਪ੍ਰਤੀਨਿਧਤਾਵਾਂ ਵਿੱਚ ਬਣਾਏ ਗਏ ਹਨ: ਅੰਗਰੇਜ਼ੀ ਭਾਸ਼ਾ ਲਈ ਇੱਕ ਮਾਡਲ ਅਤੇ ਇੱਕ ਬਹੁ-ਭਾਸ਼ਾਈ ਮਾਡਲ, ਜੋ ਰੂਸੀ, ਯੂਕਰੇਨੀ ਅਤੇ ਬੇਲਾਰੂਸੀ ਭਾਸ਼ਾਵਾਂ ਦਾ ਵੀ ਸਮਰਥਨ ਕਰਦਾ ਹੈ। ਬਦਲੇ ਵਿੱਚ, ਹਰੇਕ ਨੁਮਾਇੰਦਗੀ ਨੂੰ 5 ਵਿਕਲਪਾਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ, ਮਾਡਲ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤੇ ਗਏ ਮਾਪਦੰਡਾਂ ਦੇ ਆਕਾਰ ਅਤੇ ਸੰਖਿਆ ਵਿੱਚ ਭਿੰਨ। ਆਕਾਰ ਜਿੰਨਾ ਵੱਡਾ ਹੋਵੇਗਾ, ਮਾਨਤਾ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਗੁਣਵੱਤਾ ਓਨੀ ਹੀ ਜ਼ਿਆਦਾ ਹੋਵੇਗੀ, ਪਰ ਨਾਲ ਹੀ GPU ਵੀਡੀਓ ਮੈਮੋਰੀ ਦੇ ਆਕਾਰ ਲਈ ਉੱਚ ਲੋੜਾਂ ਅਤੇ ਕਾਰਗੁਜ਼ਾਰੀ ਘੱਟ ਹੋਵੇਗੀ। ਉਦਾਹਰਨ ਲਈ, ਘੱਟੋ-ਘੱਟ ਵਿਕਲਪ ਵਿੱਚ 39 ਮਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ ਅਤੇ 1 GB ਵੀਡੀਓ ਮੈਮੋਰੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਅਧਿਕਤਮ ਵਿੱਚ 1550 ਮਿਲੀਅਨ ਪੈਰਾਮੀਟਰ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ ਅਤੇ 10 GB ਵੀਡੀਓ ਮੈਮੋਰੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਨਿਊਨਤਮ ਵਿਕਲਪ ਅਧਿਕਤਮ ਨਾਲੋਂ 32 ਗੁਣਾ ਤੇਜ਼ ਹੈ।

ਸਿਸਟਮ ਟ੍ਰਾਂਸਫਾਰਮਰ ਨਿਊਰਲ ਨੈੱਟਵਰਕ ਆਰਕੀਟੈਕਚਰ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਇੱਕ ਏਨਕੋਡਰ ਅਤੇ ਡੀਕੋਡਰ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ ਜੋ ਇੱਕ ਦੂਜੇ ਨਾਲ ਇੰਟਰੈਕਟ ਕਰਦੇ ਹਨ। ਆਡੀਓ ਨੂੰ 30-ਸਕਿੰਟ ਦੇ ਟੁਕੜਿਆਂ ਵਿੱਚ ਵੰਡਿਆ ਗਿਆ ਹੈ, ਜੋ ਕਿ ਲੌਗ-ਮੇਲ ਸਪੈਕਟਰੋਗ੍ਰਾਮ ਵਿੱਚ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਏਨਕੋਡਰ ਨੂੰ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ। ਏਨਕੋਡਰ ਦਾ ਆਉਟਪੁੱਟ ਡੀਕੋਡਰ ਨੂੰ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ, ਜੋ ਵਿਸ਼ੇਸ਼ ਟੋਕਨਾਂ ਦੇ ਨਾਲ ਮਿਲਾਏ ਗਏ ਇੱਕ ਟੈਕਸਟ ਪ੍ਰਤੀਨਿਧਤਾ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ ਜੋ ਇੱਕ ਆਮ ਮਾਡਲ ਵਿੱਚ, ਭਾਸ਼ਾ ਦੀ ਖੋਜ, ਵਾਕਾਂਸ਼ਾਂ ਦੇ ਉਚਾਰਨ ਦੀ ਕਾਲਕ੍ਰਮ ਲਈ ਲੇਖਾ-ਜੋਖਾ, ਵਿੱਚ ਭਾਸ਼ਣ ਦੀ ਪ੍ਰਤੀਲਿਪੀ ਵਰਗੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਵੱਖ-ਵੱਖ ਭਾਸ਼ਾਵਾਂ, ਅਤੇ ਅੰਗਰੇਜ਼ੀ ਵਿੱਚ ਅਨੁਵਾਦ।

ਸਰੋਤ: opennet.ru