مدل هوش مصنوعی Whistle معرفی شد؛ تبدیل صوت به متن در ۷ زبان فقط با ۱۶.۹ مگابایت!
استارتاپ Cactus Compute از مدل صوتی متن‌باز Whistle رونمایی کرد؛ مدلی فوق‌العاده سبک با حجم تنها ۱۶.۹ مگابایت که تبدیل گفتار به متن را به ۷ زبان زنده دنیا و بدون نیاز به کارت گرافیک انجام می‌دهد. این مدل بهینه‌شده برای پردازنده‌های معمولی (CPU) طراحی شده و در تست‌های اولیه، سرعت و کارایی بالاتری نسبت به نسخه پایه Whisper به نمایش گذاشته است.
در یک نگاه (نکات کلیدی خبر)
خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع
- استارتاپ Cactus Compute مدل صوتی Whistle را با مجوز متن‌باز Apache 2.0 منتشر کرده که با حجم شگفت‌انگیز ۱۶.۹ مگابایت، فایل‌های صوتی را به ۷ زبان مختلف به متن تبدیل می‌کند.
- این مدل به‌طور اختصاصی برای پردازنده‌های معمولی (CPU) طراحی شده و طبق ادعای سازنده، روی تراشه M4 Pro اپل تا ۶ برابر سریع‌تر از Whisper base عمل کرده و خطای کمتری ثبت کرده است.
- علاوه بر پیاده‌سازی سبک در قالب یک فایل کانتینر اختصاصی، Whistle از قابلیت‌هایی مثل تشخیص خودکار زبان، مهر زمانی کلمات و تقویت کلمات کلیدی خاص هم پشتیبانی می‌کند.
مدل Whistle؛ تشخیص گفتار به ۷ زبان در یک فایل ۱۶.۹ مگابایتی!
استارتاپ Cactus Compute به‌تازگی از مدل صوتی Whistle با مجوز متن‌باز Apache 2.0 رونمایی کرده است؛ مدلی که ویژه اجرا روی پردازنده‌های معمولی (CPU) طراحی شده و هیچ نیازی به کارت‌های گرافیک گران‌قیمت ندارد. این مدل فوق‌العاده جمع‌وجور با حجم تنها ۱۶.۹ مگابایت، می‌تواند فایل‌های صوتی را به هفت زبان انگلیسی، آلمانی، فرانسوی، اسپانیایی، ایتالیایی، هلندی و لهستانی با تشخیص خودکار زبان و تا سقف بازه‌های ۳۰ ثانیه‌ای به متن تبدیل کند.
جذابیت ماجرا اینجاست که Whistle از همان موتور بهینه‌شده ++C و کانتینر اختصاصی .cact استفاده می‌کند که پیش‌تر در مدل زبانی Needle این شرکت به کار رفته بود؛ این یعنی توسعه‌دهندگان می‌توانند بدون اضافه کردن محیط‌های اجرای سنگین جدید، قابلیت تبدیل گفتار به متن را مستقیماً به برنامه‌های خود اضافه کنند. شرکت سازنده گزارش داده که Whistle در اغلب تست‌ها نرخ خطای کلمات (WER) کمتری نسبت به نسخه پایه Whisper ثبت کرده، حجم فایل آن تقریباً یک‌نهم مدل رقیب است و در تست پردازنده M4 Pro اپل، تا ۶ برابر با سرعت بالاتری عملیات رمزگشایی را انجام می‌دهد؛ البته این نتایج گزارش رسمی خود شرکت هستند و در محیط‌ها و دقت‌های محاسباتی گوناگونی سنجیده شده‌اند.
یک مدل و سه خروجی کاربردی و هم‌زمان
قابلیت | جزئیات |
|---|---|
تبدیل گفتار به متن (Transcription) | پردازش فایل صوتی مونو تا سقف ۳۰ ثانیه با نرخ نمونه‌برداری ۱۶ کیلوهرتز در هر مرحله، همراه با انتخاب خودکار یا ثابت زبان. |
مهر زمانی کلمات (Word timestamps) | مشخص کردن زمان دقیق شروع، پایان و احتمال درستی هر کلمه بر اساس هم‌ترازی صوتی دیکودر. |
بردارهای صوتی (Speech embeddings) | تولید یک بردار از انکودر در هر ۸۰ میلی‌ثانیه برای تطبیق، دسته‌بندی یا جست‌وجوی صوتی بدون نیاز به تبدیل به متن. |
فرمت و ساختار مدل | یک فایل مستقل ۱۶.۹ مگابایتی با فرمت .cact با بهره‌گیری از کوانتیزاسیون ۲ تا ۴ بیتی فشرده. |
محیط اجرا (Runtime) | موتور بهینه‌شده ++C با تمرکز بر CPU که با مدل زبانی Needle مشترک است. |
مدل Whistle همچنین از قابلیت تقویت کلمات کلیدی (Keyword Biasing) برای اسامی خاص، مکان‌ها، برندها و اصطلاحات تخصصی پشتیبانی می‌کند. در طول فرآیند رمزگشایی پنج‌مسیره (Five-beam decoding)، یک الگوریتم تطبیق Aho-Corasick توالی‌های کلمات کلیدی درخواستی را زیر نظر می‌گیرد و امتیاز آن‌ها را بالا می‌برد. متن‌های پیشنهادی نهایی نیز بر اساس احتمال لگاریتمی نرمال‌شده با طول کلمات، از میان واژگانی با ۸,۱۹۲ قطعه متنی به‌همراه هفت توکن اختصاصی زبان‌ها انتخاب و رتبه‌بندی می‌شوند.
مطالب مرتبط و پیشنهادی
دسته‌گل‌های جنجالی هوش مصنوعی آنتروپیک؛ کاخ سفید گزارش تخلفات را اجباری کرد!
پس از دسته‌گل‌های اخیر مدل‌های هوش مصنوعی آنتروپیک و نفوذ ناخواسته آن‌ها به سامانه‌های دولتی، کاخ سفید رویکرد ملایم قبلی را کنار گذاشت. حالا دولت آمریکا با ابلاغ دستورالعملی تازه، تمامی توسعه‌دهندگان هوش مصنوعی را موظف کرده که هرگونه حادثه و خطای امنیتی مدل‌های خود را فوراً گزارش داده و خسارات ناشی از آن را جبران کنند.
شاهکار ارتش ۲۰۰۰ ایجنتی پرایم اینتلکت؛ بازنویسی پرایم ایجنت با زبان راست و سرعت ۱۳ برابری!
استارتاپ پرایم اینتلکت در اقدامی شگفت‌انگیز، با هماهنگی بیش از ۲۰۰۰ ایجنت هوش مصنوعی موفق شد فریم‌ورک پرایم ایجنت را ظرف دو هفته از تایپ‌اسکریپت به زبان راست بازنویسی کند. نتیجه این مهاجرت عظیم، کاهش ۸۳ درصدی مصرف حافظه و جهش چشمگیر ۱۳ برابری در سرعت اجرای این ابزار متن‌باز است.
هوش مصنوعی کلود هر روز صبح صفحه تب جدید کروم را از نو می‌سازد؛ آن‌هم با ۷۵ سنت!
پروژه متن‌باز جدیدی به نام ai-newtab با تکیه بر هوش مصنوعی کلود، هر روز صفحه تب جدید کروم را متناسب با علایق و تاریخچه وب‌گردی شما از نو می‌سازد. این ابزار با هزینه روزانه حدود ۰.۷۵ دلار، یک صفحه خانگی شخصی‌سازی‌شده و جذاب آماده می‌کند.
دیدگاه ها و گفتگوی تخصصی
نظرات خود را با جامعه مخاطبان وایر ای آی در میان بگذارید
هنوز دیدگاهی برای این مطلب ثبت نشده است
اولین نفری باشید که دیدگاه، تحلیل یا دیدگاه خود را درباره این موضوع با دیگران به اشتراک می گذارد.