{"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\/sv\/blog\/news\/otkryt-kod-sistemy-raspoznavaniya-i-perevoda-rechi-whisper","title":{"rendered":"K\u00e4llkoden f\u00f6r taligenk\u00e4nnings- och \u00f6vers\u00e4ttningssystemet Whisper har blivit offentlig","gt_translate_keys":[{"key":"rendered","format":"text"}]},"content":{"rendered":"
OpenAI-projektet, som arbetar med utvecklingen av offentliga projekt inom artificiell intelligens, publicerade resultat relaterade till talsigenk\u00e4nningssystemet Whisper. Det p\u00e5st\u00e5s att systemet f\u00f6r engelskt tal erbjuder niv\u00e5er av tillf\u00f6rlitlighet och noggrannhet i automatisk taligenk\u00e4nning som \u00e4r n\u00e4ra den m\u00e4nskliga niv\u00e5n. Koden f\u00f6r referensimplementeringen, baserad p\u00e5 PyTorch-ramverket, samt ett antal redan tr\u00e4nade modeller som \u00e4r klara f\u00f6r anv\u00e4ndning, \u00e4r nu \u00f6ppna. Koden publiceras under MIT-licensen. <\/p>\n
Modellen har tr\u00e4nats med 680 000 timmar talsdata som samlats in fr\u00e5n flera samlingar som t\u00e4cker olika spr\u00e5k och \u00e4mnesomr\u00e5den. Omkring 1\/3 av de anv\u00e4ndna talsdata vid tr\u00e4ningen kommer fr\u00e5n spr\u00e5k som skiljer sig fr\u00e5n engelska. Det f\u00f6reslagna systemet hanterar korrekt situationer som accentuerad uttal, bakgrundsbrus och teknisk jargong. F\u00f6rutom att transkribera tal till text kan systemet \u00e4ven \u00f6vers\u00e4tta tal fr\u00e5n valfritt spr\u00e5k till engelska och identifiera n\u00e4r tal f\u00f6rekommer i ljudstr\u00f6mmen. <\/p>\n
Modellerna \u00e4r formulerade i tv\u00e5 versioner: en f\u00f6r engelska och en flerspr\u00e5kig modell som st\u00f6djer, bland annat, ryska, ukrainska och vitryska. Varje version delas i sin tur upp i 5 varianter som skiljer sig \u00e5t i storlek och antal parametrar i modellen. Ju st\u00f6rre storlek, desto h\u00f6gre noggrannhet och kvalitet p\u00e5 igenk\u00e4nningen, men det st\u00e4ller \u00e4ven h\u00f6gre krav p\u00e5 GPU-minnets storlek och s\u00e4nker prestandan. Till exempel inneh\u00e5ller den minimi varianten 39 miljoner parametrar och kr\u00e4ver 1 GB GPU-minne, medan den maximala varianten inneh\u00e5ller 1550 miljoner parametrar och kr\u00e4ver 10 GB GPU-minne. Den minimala varianten \u00e4r 32 g\u00e5nger snabbare \u00e4n den maximala.
<\/center> <\/p>\n
Systemet anv\u00e4nder en arkitektur f\u00f6r neuromn\u00e4tverk \"Transformer\", som best\u00e5r av en kodare och en avkodare som interagerar med varandra. Ljudet delas upp i 30 sekunder l\u00e5nga segment som omvandlas till en log-Mel-spektrogram och skickas till kodaren. Resultatet fr\u00e5n kodaren g\u00e5r till avkodaren, som f\u00f6rutsp\u00e5r den textbaserade representationen blandat med speciella token som g\u00f6r att en gemensam modell kan hantera uppgifter som spr\u00e5kidentifiering, h\u00e4nsyn till tidsordningen f\u00f6r fraser, taltranskribering p\u00e5 olika spr\u00e5k och \u00f6vers\u00e4ttning till engelska. \n K\u00e4lla: opennet.ru<\/a> <\/p>","protected":false,"gt_translate_keys":[{"key":"rendered","format":"html"}]},"excerpt":{"rendered":"
![\"K\u00e4llkoden](\"\/wp-content\/uploads\/2022\/09\/d6aa63e77cddead1a7abfa9083ff37cb.jpg\")
<\/center> <\/p>\n