{"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\/pt\/blog\/news\/otkryt-kod-sistemy-raspoznavaniya-i-perevoda-rechi-whisper","title":{"rendered":"O c\u00f3digo do sistema de reconhecimento e tradu\u00e7\u00e3o de voz Whisper foi aberto","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
O projeto OpenAI, que se dedica ao desenvolvimento de projetos de acesso p\u00fablico na \u00e1rea de intelig\u00eancia artificial, publicou resultados relacionados ao sistema de reconhecimento de fala Whisper. Afirmam que para a fala em ingl\u00eas, o sistema oferece n\u00edveis de confiabilidade e precis\u00e3o de reconhecimento autom\u00e1tico pr\u00f3ximos aos do reconhecimento realizado por humanos. O c\u00f3digo da implementa\u00e7\u00e3o de refer\u00eancia, baseado no framework PyTorch, e um conjunto de modelos j\u00e1 treinados, prontos para uso, est\u00e3o abertos. O c\u00f3digo \u00e9 disponibilizado sob a licen\u00e7a MIT. <\/p>\n
Para treinar o modelo, foram utilizados 680 mil horas de dados de fala, coletados de v\u00e1rias cole\u00e7\u00f5es que abrangem diferentes idiomas e \u00e1reas tem\u00e1ticas. Cerca de 1\/3 dos dados de fala utilizados no treinamento s\u00e3o de idiomas diferentes do ingl\u00eas. O sistema proposto lida corretamente com situa\u00e7\u00f5es como pron\u00fancia com sotaque, presen\u00e7a de ru\u00eddos de fundo e uso de jarg\u00e3o t\u00e9cnico. Al\u00e9m de transcrever fala em texto, o sistema tamb\u00e9m pode traduzir fala de qualquer l\u00edngua para o ingl\u00eas e detectar a presen\u00e7a de fala em um fluxo de \u00e1udio. <\/p>\n
Os modelos foram formados em duas variantes: um modelo para o idioma ingl\u00eas e um modelo multil\u00edngue que suporta, entre outros, os idiomas russo, ucraniano e bielorrusso. Cada variante \u00e9 dividida em 5 op\u00e7\u00f5es, que diferem em tamanho e no n\u00famero de par\u00e2metros cobertos pelo modelo. Quanto maior o tamanho, maior a precis\u00e3o e qualidade do reconhecimento, mas tamb\u00e9m maiores s\u00e3o os requisitos de tamanho da mem\u00f3ria de v\u00eddeo da GPU e menor \u00e9 a performance. Por exemplo, a op\u00e7\u00e3o m\u00ednima inclui 39 milh\u00f5es de par\u00e2metros e requer 1 GB de mem\u00f3ria de v\u00eddeo, enquanto a m\u00e1xima inclui 1550 milh\u00f5es de par\u00e2metros e requer 10 GB de mem\u00f3ria de v\u00eddeo. A op\u00e7\u00e3o m\u00ednima \u00e9 32 vezes mais r\u00e1pida que a m\u00e1xima.
<\/center> <\/p>\n
O sistema utiliza a arquitetura de rede neural «Transformer», que inclui um codificador e um decodificador interativos. O som \u00e9 dividido em trechos de 30 segundos, que s\u00e3o transformados em um log-Mel-espectrograma e enviados para o codificador. O resultado do codificador \u00e9 passado para o decodificador, que prev\u00ea a representa\u00e7\u00e3o textual, misturada com tokens especiais, permitindo que uma \u00fanica plataforma resolva tarefas como identifica\u00e7\u00e3o de idioma, considera\u00e7\u00e3o da cronologia na pron\u00fancia de frases, transcri\u00e7\u00e3o de fala em diferentes idiomas e tradu\u00e7\u00e3o para o ingl\u00eas. \n Fonte: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![\"O](\"\/wp-content\/uploads\/2022\/09\/d6aa63e77cddead1a7abfa9083ff37cb.jpg\")
<\/center> <\/p>\n