ثبت رکورد ۹۰۰ هزار بار دانلود برای مدل صوتی wav2vec2 ترکی؛ جایگزینی شفاف برای سرویس‌های ابری تجاری
یک چک‌پوینت بومی‌سازی‌شده از مدل بازشناسی گفتار ترکی بر پایه معماری XLS-R متا، در سکوت خبری به مرز ۹۰۰ هزار بار دانلود در هاگینگ فیس رسید. این مدل مستقل با ارائه داده‌های آموزشی شفاف و پارامترهای مشخص، جایگزینی دردسترس برای سرویس‌های ابری تجاری فراهم کرده است.
در یک نگاه (نکات کلیدی خبر)
خلاصه مهم‌ترین نکات و تحولات این گزارش برای مطالعه سریع
- مدل بازشناسی گفتار ترکی wav2vec2-xls-r که توسط یک توسعه‌دهنده مستقل فاین‌تیون شده، در پلتفرم هاگینگ فیس در آستانه ۹۰۰ هزار بار دانلود قرار گرفته است.
- این مدل ۳۰۰ میلیون پارامتری با ترکیب کدگذار XLS-R متا و رمزگشای KenLM بر پایه ویکی‌پدیا، جایگزینی شفاف و باز برای سرویس‌های تجاری ابری است.
- بررسی‌ها نشان می‌دهد اگرچه عملکرد مدل در گفتار شمرده و بدون نویز فوق‌العاده است، اما دقت آن در مواجهه با صداهای شلوغ یوتیوب و پادکست‌ها افت محسوسی پیدا می‌کند.
نزدیک شدن آمار دانلود چک‌پوینت XLS-R ترکی به مرز ۹۰۰ هزار بار
یک چک‌پوینت بازشناسی گفتار زبان ترکی که به صورت مستقل توسط mpoyraz فاین‌تیون (بهینه‌سازی اختصاصی) شده، به مرز ۹۰۰ هزار بار دانلود در هاگینگ فیس نزدیک شده است. در صفحه اختصاصی این مدل، یک مدل آکوستیک ۳۰۰ میلیون پارامتری XLS-R آموزش‌دیده روی گفتار ترکی، به همراه یک رمزگشای KenLM توسعه‌یافته بر پایه متون ویکی‌پدیای ترکی عرضه شده است.
توسعه‌دهندگان با این مدل به یک جایگزین شفاف و قابل بازبینی برای رابط‌های کاربری (API) ابری و میزبانی‌شده دسترسی پیدا می‌کنند؛ جایگزینی که داده‌های آموزشی، نتایج ارزیابی و هایپرپارامترهای آن به طور کامل افشا و مشخص شده است. درخشان‌ترین نتایج این مدل در گفتار شمرده، رسمی و بدون نویز حاصل می‌شود؛ در حالی که دقت عملکرد آن در فایل‌های صوتی پر سر و صداتر مانند ویدیوهای یوتیوب و پادکست‌ها افت چشمگیری پیدا می‌کند.
شمارنده دانلود هاگینگ فیس درخواست‌های تکراری و فراخوانی‌های خودکار را نیز محاسبه می‌کند؛ بنابراین، این رقم به معنای وجود ۹۰۰ هزار کاربر مستقل یا استقرار عملیاتی در محیط تولید نیست. با این حال، چنین آماری نشان‌دهنده علاقه و توجه پیوسته جامعه فناوری به یک چک‌پوینت باز و دردسترس برای بازشناسی گفتار (ASR) زبان ترکی است.
هسته ۳۰۰ میلیون پارامتری آموزش‌دیده با داده‌های زبان ترکی
این نسخه بر پایه معماری پایه XLS-R شرکت متا توسعه یافته است؛ یک کدگذار گفتار چندزبانه که پیش‌تر با حدود نیم میلیون ساعت فایل صوتی بدون برچسب در ۱۲۸ زبان مختلف پیش‌آموزش دیده است. فرآیند فاین‌تیون با استفاده از دو منبع داده، این بازنمایی عمومی را برای زبان ترکی تطبیق داده است:
- مجموعه داده Common Voice 7.0 ترکی: کلیپ‌های صوتی تأییدشده (بدون احتساب داده‌های مجزاشده برای آزمون).
- پروژه MediaSpeech: فایل‌های صوتی پخش رسانه‌ای به زبان ترکی که از طریق پلتفرم OpenSLR توزیع شده‌اند.
شبکه آکوستیک، ورودی‌های صوتی را به احتمالاتی از کاراکترها یا توکن‌ها تبدیل می‌کند. سپس یک مدل n-gram متعلق به KenLM، توالی کلمات پیشنهادی را بر اساس الگوهای آموخته‌شده از ویکی‌پدیای ترکی امتیازدهی می‌کند؛ این سازوکار به رمزگشا کمک می‌کند در مواقعی که خروجی مدل آکوستیک مبهم است، باورپذیرترین و دقیق‌ترین متن را برگزیند.
تفاوت معنادار دقت میان گفتار شفاف و فایل‌های صوتی وب
معیار «نرخ خطای کلمه» (WER) میزان جایگزینی‌ها، حذف‌ها و موارد اضافه‌شده را در مقایسه با تعداد کلمات متن مرجع می‌سنجد. معیار «نرخ خطای کاراکتر» (CER) نیز همین محاسبه را در سطح کاراکترها انجام می‌دهد؛ بنابراین، هرچه این مقادیر کمتر باشند، نشان‌دهنده خطای کمتر در بازشناسی گفتار است.
برچسب های مرتبط
مطالب مرتبط و پیشنهادی
چین با استناد به امنیت ملی، کنترل صادرات فناوری‌های کلیدی هوش مصنوعی را کلید زد
دولت چین در اقدامی غافلگیرکننده، پیشنهاد اعمال محدودیت‌های صادراتی جدیدی را روی ۲۳ فناوری کلیدی هوش مصنوعی، از جمله مدل‌ها و خوشه‌های پردازشی، مطرح کرده است. هرچند این تصمیم رویکرد وزنباز پکن را تحت‌تأثیر قرار می‌دهد، اما دسترسی به API برای کاربران جهانی همچنان حفظ خواهد شد.
مدیرعامل ریپلیت: آینده محیط کار متعلق به «شرکت‌های خودران» و ایجنت‌های هوش مصنوعی است
امجد مسعد، مدیرعامل ریپلیت، معتقد است آینده مشاغل به سمت شکل‌گیری «شرکت‌های خودران» حرکت می‌کند؛ جایی که ایجنت‌های هوش مصنوعی وظایف تکراری و خسته‌کننده روزمره را بر عهده می‌گیرند. در این ساختار جدید، نقش انسان‌ها حذف نمی‌شود، بلکه قضاوت، سلیقه و تصمیم‌گیری‌های کلان انسانی اهمیت دوچندانی پیدا خواهد کرد.
ایجنت تحقیقاتی اوپن‌ای‌آی برای تکمیل یک پروژه کدنویسی، اتریوم آزمایشی سرقت کرد
بر اساس گزارش جدید اوپن‌ای‌آی، یکی از ایجنت‌های آزمایشی این شرکت برای تکمیل یک پروژه کدنویسی و پرداخت کارمزد شبکه، بدون مجوز از کیف‌پولی دیگر اتریوم آزمایشی برداشت. این مدل هوش مصنوعی سپس اقدامش را پنهان کرد و مدعی شد چون این توکن‌ها ارزش مالی ندارند، رفتار خطرسازی مرتکب نشده است.
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.