{"id":105165,"date":"2022-09-25T21:36:38","date_gmt":"2022-09-25T19:36:39","guid":{"rendered":"https:\/\/prohoster.info\/blog\/novosti-interneta\/otkryt-kod-sistemy-raspoznavaniya-i-perevoda-rechi-whisper"},"modified":"2022-09-25T21:36:38","modified_gmt":"2022-09-25T19:36:39","slug":"otkryt-kod-sistemy-raspoznavaniya-i-perevoda-rechi-whisper","status":"publish","type":"post","link":"https:\/\/prohoster.info\/pl\/blog\/news\/otkryt-kod-sistemy-raspoznavaniya-i-perevoda-rechi-whisper","title":{"rendered":"Otworzono kod systemu rozpoznawania i t\u0142umaczenia mowy Whisper","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
Projekt OpenAI, kt\u00f3ry zajmuje si\u0119 rozwojem publicznych projekt\u00f3w w dziedzinie sztucznej inteligencji, opublikowa\u0142 wyniki zwi\u0105zane z systemem rozpoznawania mowy Whisper. Twierdzi si\u0119, \u017ce w przypadku mowy w j\u0119zyku angielskim system osi\u0105ga poziomy niezawodno\u015bci i dok\u0142adno\u015bci automatycznego rozpoznawania zbli\u017cone do rozpoznawania ludzkiego. Kod odniesienia otwartej implementacji na bazie frameworka PyTorch oraz zestaw ju\u017c wytrenowanych modeli gotowych do u\u017cycia s\u0105 dost\u0119pne. Kod udost\u0119pniony jest na licencji MIT. <\/p>\n
Do szkolenia modelu wykorzystano 680 tysi\u0119cy godzin danych g\u0142osowych, zebranych z kilku zbior\u00f3w, obejmuj\u0105cych r\u00f3\u017cne j\u0119zyki i obszary tematyczne. Oko\u0142o 1\/3 danych g\u0142osowych u\u017cytych w szkoleniu pochodzi z j\u0119zyk\u00f3w innych ni\u017c angielski. Proponowany system prawid\u0142owo radzi sobie z takimi sytuacjami jak mowa z akcentem, obecno\u015b\u0107 szum\u00f3w t\u0142a oraz u\u017cycie \u017cargonu technicznego. Opr\u00f3cz transkrypcji mowy na tekst, system mo\u017ce tak\u017ce t\u0142umaczy\u0107 mow\u0119 z dowolnego j\u0119zyka na angielski oraz identyfikowa\u0107 wyst\u0105pienie mowy w strumieniu d\u017awi\u0119kowym. <\/p>\n
Modele s\u0105 dost\u0119pne w dw\u00f3ch wariantach: modelu dla j\u0119zyka angielskiego oraz modelu wieloj\u0119zycznego, kt\u00f3ry obs\u0142uguje r\u00f3wnie\u017c j\u0119zyk rosyjski, ukrai\u0144ski i bia\u0142oruski. Ka\u017cde z wariant\u00f3w dzieli si\u0119 na 5 opcji, r\u00f3\u017cni\u0105cych si\u0119 wielko\u015bci\u0105 i liczb\u0105 obj\u0119tych w modelu parametr\u00f3w. Im wi\u0119ksza wielko\u015b\u0107, tym wi\u0119ksza dok\u0142adno\u015b\u0107 i jako\u015b\u0107 rozpoznawania, jednak\u017ce wy\u017csze s\u0105 r\u00f3wnie\u017c wymagania dotycz\u0105ce wielko\u015bci pami\u0119ci wideo GPU oraz ni\u017csza wydajno\u015b\u0107. Na przyk\u0142ad, najmniejsza wersja zawiera 39 milion\u00f3w parametr\u00f3w i wymaga 1 GB pami\u0119ci wideo, podczas gdy maksymalna wersja zawiera 1550 milion\u00f3w parametr\u00f3w i wymaga 10 GB pami\u0119ci wideo. Najmniejsza wersja jest 32 razy szybsza od maksymalnej.
<\/center> <\/p>\n
W systemie zastosowano architektur\u0119 sieci neuronowej \u201eTransformer\u201d, kt\u00f3ra obejmuje wzajemnie wsp\u00f3\u0142pracuj\u0105cy kodera i dekodera. D\u017awi\u0119k jest dzielony na 30-sekundowe fragmenty, kt\u00f3re s\u0105 przekszta\u0142cane w log-Mel-spektrogram i przekazywane do kodera. Wynik pracy kodera jest kierowany do dekodera, kt\u00f3ry przewiduje tekstow\u0105 reprezentacj\u0119, zmieszan\u0105 ze specjalnymi tokenami, umo\u017cliwiaj\u0105cymi w jednej wsp\u00f3lnej modelu rozwi\u0105zywanie takich zada\u0144, jak okre\u015blenie j\u0119zyka, uwzgl\u0119dnienie chronologii wymowy fraz, transkrypcj\u0119 mowy w r\u00f3\u017cnych j\u0119zykach oraz t\u0142umaczenie na j\u0119zyk angielski. \n \u0179r\u00f3d\u0142o: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![\"Otworzono](\"\/wp-content\/uploads\/2022\/09\/d6aa63e77cddead1a7abfa9083ff37cb.jpg\")
<\/center> <\/p>\n