{"id":53722,"date":"2019-12-08T00:00:00","date_gmt":"2019-12-07T21:00:00","guid":{"rendered":"https:\/\/prohoster.info\/blog\/blog_prohoster\/kompaniya-mozilla-predstavila-dvizhok-raspoznavaniya-rechi-deepspeech-0-6"},"modified":"2020-02-18T14:01:39","modified_gmt":"2020-02-18T11:01:39","slug":"kompaniya-mozilla-predstavila-dvizhok-raspoznavaniya-rechi-deepspeech-0-6","status":"publish","type":"post","link":"https:\/\/prohoster.info\/pl\/blog\/news\/kompaniya-mozilla-predstavila-dvizhok-raspoznavaniya-rechi-deepspeech-0-6","title":{"rendered":"Firma Mozilla zaprezentowa\u0142a silnik rozpoznawania mowy DeepSpeech 0.6","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"

Przedstawiony<\/a><\/noindex> wydanie silnika rozpoznawania mowy rozwijanego przez firm\u0119 Mozilla DeepSpeech 0.6<\/a><\/noindex>, kt\u00f3ry realizuje architektur\u0119 rozpoznawania mowy o tej samej nazwie, zapropowan\u0105<\/a><\/noindex> przez badaczy z firmy Baidu. Implementacja zosta\u0142a napisana w j\u0119zyku Python przy u\u017cyciu platformy do uczenia maszynowego TensorFlow i rozpowszechniany<\/a><\/noindex> wydana na licencji MPL 2.0. Obs\u0142ugiwana jest praca w systemach Linux, Android, macOS i Windows. Wydajno\u015b\u0107 jest wystarczaj\u0105ca do u\u017cycia silnika na p\u0142ytach LePotato, Raspberry Pi 3 i Raspberry Pi 4.<\/p>\n

W zestawie znajduj\u0105 si\u0119 tak\u017ce s\u0105 oferowane<\/a><\/noindex> wyuczone modele, przyk\u0142ady<\/a><\/noindex> plik\u00f3w d\u017awi\u0119kowych oraz narz\u0119dzia do rozpoznawania z poziomu wiersza polece\u0144. W celu wbudowania funkcji rozpoznawania mowy w swoje programy oferowane s\u0105 gotowe modu\u0142y do u\u017cycia w Pythonie, NodeJS, C++ i .NET (modu\u0142y opracowane przez zewn\u0119trznych tw\u00f3rc\u00f3w s\u0105 dost\u0119pne osobno dla Rust<\/a><\/noindex> i Go<\/a><\/noindex>). Gotowy model dostarczany jest tylko dla j\u0119zyka angielskiego, ale dla innych j\u0119zyk\u00f3w mo\u017cna samodzielnie<\/a><\/noindex> instrukcj\u0105<\/a><\/noindex> wytrenowa\u0107 system, korzystaj\u0105c z danych g\u0142osowych<\/a><\/noindex>, zebranych w ramach projektu Common Voice. <\/p>\n

DeepSpeech jest znacznie prostszy ni\u017c tradycyjne systemy, a jednocze\u015bnie zapewnia wy\u017csz\u0105 jako\u015b\u0107 rozpoznawania w obecno\u015bci zak\u0142\u00f3ce\u0144. W rozwoju nie s\u0105 wykorzystywane tradycyjne modele akustyczne ani koncepcja fonem\u00f3w, zamiast nich zastosowano dobrze zoptymalizowany system uczenia maszynowego oparty na sieciach neuronowych, kt\u00f3ry pozwala na zrezygnowanie z tworzenia oddzielnych komponent\u00f3w do modelowania r\u00f3\u017cnych zak\u0142\u00f3ce\u0144, takich jak ha\u0142as, echo i cechy mowy. <\/p>\n

Drug\u0105 stron\u0105 tego podej\u015bcia jest to, \u017ce aby uzyska\u0107 wysok\u0105 jako\u015b\u0107 rozpoznawania i wytrenowa\u0107 sie\u0107 neuronow\u0105, silnik DeepSpeech wymaga du\u017cej ilo\u015bci r\u00f3\u017cnorodnych danych, nagranych w rzeczywistych warunkach r\u00f3\u017cnymi g\u0142osami i przy obecno\u015bci naturalnych ha\u0142as\u00f3w.
\nZbieraniem takich danych zajmuje si\u0119 stworzony w Mozilli projekt Common Voice<\/a><\/noindex>, kt\u00f3ry oferuje zweryfikowany zestaw danych z 780 godzinami w j\u0119zyku angielskim<\/a><\/noindex>, 325 w niemieckim, 173 we francuskim i 27 godzinami w rosyjskim. <\/p>\n

Ostatecznym celem projektu Common Voice jest zgromadzenie 10 tysi\u0119cy godzin nagra\u0144 r\u00f3\u017cnych wym\u00f3wie\u0144 typowych fraz mowy ludzkiej, co pozwoli na osi\u0105gni\u0119cie akceptowalnego poziomu b\u0142\u0119d\u00f3w w rozpoznawaniu. W bie\u017c\u0105cej wersji uczestnicy projektu ju\u017c nagrali \u0142\u0105cznie 4,3 tysi\u0105ca godzin, z czego 3,5 tysi\u0105ca przesz\u0142o weryfikacj\u0119. Do przeszkolenia ko\u0144cowego modelu j\u0119zyka angielskiego dla DeepSpeech u\u017cyto 3816 godzin mowy, opr\u00f3cz danych z Common Voice obejmuj\u0105cych informacje z projekt\u00f3w LibriSpeech, Fisher i Switchboard, a tak\u017ce oko\u0142o 1700 godzin transkrybowanych nagra\u0144 audycji radiowych.<\/p>\n

Przy u\u017cyciu dost\u0119pnego do pobrania modelu j\u0119zyka angielskiego poziom b\u0142\u0119d\u00f3w rozpoznawania w DeepSpeech wynosi 7,5% wed\u0142ug testowania na zbiorze testowym. LibriSpeech<\/a><\/noindex>. Dla por\u00f3wnania, poziom b\u0142\u0119d\u00f3w przy rozpoznawaniu przez cz\u0142owieka jest oceniany<\/a><\/noindex> na 5,83%.<\/p>\n

DeepSpeech sk\u0142ada si\u0119 z dw\u00f3ch podsystem\u00f3w \u2014 modelu akustycznego oraz dekodera. Model akustyczny wykorzystuje metody g\u0142\u0119bokiego uczenia maszynowego do obliczania prawdopodobie\u0144stwa wyst\u0105pienia okre\u015blonych symboli w dostarczanym d\u017awi\u0119ku. Dekoder stosuje algorytm wyszukiwania \u015bcie\u017cek, aby przekszta\u0142ci\u0107 dane o prawdopodobie\u0144stwie symboli w reprezentacj\u0119 tekstow\u0105.<\/p>\n

Podstawowe nowo\u015bci<\/a><\/noindex> DeepSpeech 0.6 (ga\u0142\u0105\u017a 0.6 nie jest zgodna z wcze\u015bniejszymi wydaniami i wymaga aktualizacji kodu i modeli):<\/p>\n