OpenAI የሹክሹክታ መመሪያ

አጠቃላይ እይታ

It matters because it brought robust, free, near-human transcription to anyone who can run the model.

ጥልቅ ዳይቭ

በሴፕቴምበር 2022 የተለቀቀው ዊስፐር በ680,000 ሰአታት በሚደርስ የባለብዙ ቋንቋ እና ከድር በተሰበሰበ ድምጽ ላይ ሰልጥኗል። ያ ግዙፍ እና የተለያየ የውሂብ ስብስብ የጥንካሬው ሚስጥር ነው፡ ዘዬዎችን፣ የጀርባ ጫጫታዎችን እና ቴክኒካዊ ቃላትን ከአሮጌ ስርዓቶች በተሻለ ሁኔታ ያስተናግዳል፣ ለእያንዳንዱ አዲስ ጎራ በደንብ መስተካከል ሳያስፈልገው። ሹክሹክታ ንግግርን በዋናው ቋንቋ መገልበጥ፣ ንግግርን ከብዙ ቋንቋዎች ወደ እንግሊዘኛ መተርጎም፣ የሚነገር ቋንቋን መለየት እና የጊዜ ማህተሞችን መጨመር ይችላል። OpenAI የሞዴሉን ክብደት እና ኮድ በግልፅ አውጥቷል፣ ስለዚህ በአካባቢው የሚሰራው በላፕቶፕ ወይም በዳታ ሴንተር ውስጥ ሲሆን ይህም የማህበረሰብ መሳሪያዎችን ፍንዳታ፣ ፈጣን ትግበራዎችን እና በላዩ ላይ የተገነቡ መተግበሪያዎችን አቀጣጥሏል። ትክክለኝነት በቋንቋ እና በድምጽ ጥራት ይለያያል፣ እና እንደ ሁሉም እንደዚህ አይነት ስርዓቶች አልፎ አልፎ ጽሑፍን 'ማሳሳት' ይችላል።

ቴክኒካዊ ግንዛቤ

ሹክሹክታ እንደ ቅደም ተከተል-ወደ-ቅደም ተከተል ተግባር የሰለጠነ ትራንስፎርመር ኢንኮደር-ዲኮደር ነው። ኦዲዮ ወደ ሎግ-ሜል ስፔክትሮግራም ይቀየራል፣ በጊዜ ሂደት የድግግሞሾችን ምስላዊ ውክልና ነው፣ ይህም ኢንኮደሩን ያስኬዳል። ከዚያም ዲኮደሩ የትኛውን ተግባር ማከናወን እንዳለበት በሚነግሩ ልዩ ቶከኖች የተደገፈ የጽሑፍ ቶከኖችን ይተነብያል፡ ወደ መገልበጥ፣ መተርጎም፣ ቋንቋ ፈልጎ ማግኘት ወይም የጊዜ ማህተም ማከል። በአንድ ጊዜ በበርካታ ተግባራት ላይ በደካማነት ከተሰየመ የድረ-ገጽ ድምጽ ስለተማረ፣ ነጠላ ሞዴል ለአንድ ጠባብ መለኪያ ከመስተካከል ይልቅ ሰፋ አድርጎ ያሳያል።

ስልታዊ ተጽእኖ

መድረስ እና መድረስ

በጽሑፍ፣ በትረካ እና በድምፅ በይነገጾች ተደራሽነትን ያሻሽላል።

ወጪ እና በጀት

የሚዲያ ቡድኖች በትንሽ በጀቶች የተጣራ ድምጽ በፍጥነት መላክ ይችላሉ።

ፍጥነት እና ልኬት

ከደንበኛ ጋር የሚገናኙ ስርዓቶች የንግግር ግንኙነቶችን በትልቁ ደረጃ ማካሄድ ይችላሉ።

የወደፊት የOpenAI ሹክሹክታ

ሹክሹክታ ለጽሑፍ ግልባጭ ነባሪ የግንባታ እገዳ ሆኗል፣ እና አዝማሚያው ወደ ፈጣን፣ ትንሽ እና ቅጽበታዊ ተለዋጮች በስልኮች እና በጠርዝ መሳሪያዎች ላይ ነው። ጥብቅ የዥረት ድጋፍን፣ የተሻለ የድምጽ ማጉያ መለያየትን እና ከትልቅ የቋንቋ ሞዴሎች ጋር ለማፅዳት፣ ለማጠቃለል እና ለቀጥታ መግለጫ ፅሁፎች እንዲዋሃዱ ይጠብቁ። ክብደቶች ክፈት ማለት ማህበረሰቡ ማመቻቸትን ይቀጥላል፣ OpenAI እና ሌሎች ደግሞ አዳዲስ የንግግር ሞዴሎችን ይገፋሉ። በተለይ በህክምና እና ህጋዊ አጠቃቀም ላይ ቅዠት የተደረገ ጽሑፍን መቀነስ አሁንም ቅድሚያ የሚሰጠው ጉዳይ ነው።

የእውነተኛ-ዓለም አተገባበር

አንድ ጋዜጠኛ የተቀረጹትን ቃለመጠይቆች በእጅ ከመፃፍ ይልቅ በቀጥታ ይገለበጣል

የፖድካስት መድረክ ለእያንዳንዱ ክፍል ሊፈለጉ የሚችሉ ግልባጮችን እና መግለጫ ጽሑፎችን ያመነጫል።

የስብሰባ መሣሪያ የቀጥታ መግለጫ ጽሑፎችን እና የቪዲዮ ጥሪን በጽሑፍ ያዘጋጃል።

አንድ ተመራማሪ የንግግር ቋንቋ የመስክ ቅጂዎችን ወደ እንግሊዝኛ ጽሑፍ ለመተንተን ይተረጉማል

አደጋዎች እና የጥበቃ መንገዶች

ስምምነት ሲጠፋ የድምፅ አላግባብ መጠቀም እና የማስመሰል አደጋዎች ይጨምራሉ።

ትክክለኛነት በአነጋገር ዘዬዎች፣ ቀበሌኛዎች ወይም ጫጫታ አካባቢዎች ላይ ሊወድቅ ይችላል።

ሰራሽ ኦዲዮ ግልጽ ምልክት ሳይደረግበት ለትክክለኛ ንግግር ሊሳሳት ይችላል።

የትግበራ ፍኖተ ካርታ

ለድምጽ ቀረጻ፣ ክሎኒንግ እና እንደገና ጥቅም ላይ ለማዋል ግልጽ የሆነ ፈቃድ ያግኙ።

በተለያዩ የድምጽ ማጉያዎች እና የበስተጀርባ ሁኔታዎች ላይ ጥራትን ይሞክሩ።

አንድ ሰው መቼ ውጤቶችን መገምገም ወይም ማጽደቅ እንዳለበት ይግለጹ።

ሰው ሰራሽ ኦዲዮን ይሰይሙ እና ለተጠያቂነት የፕሮቨንስ መዝገቦችን ያስቀምጡ።

ማሰስዎን ይቀጥሉ

ድምጽ AI

የንግግር ስርዓቶች ቋንቋን እንዴት እንደሚያውቁ እና እንደሚያመነጩ ይወቁ።

መመሪያ ያንብቡ

AI ሙዚቃ

ዘመናዊ የሙዚቃ-ትውልድ መሳሪያዎችን እና ገደቦችን ይረዱ።

መመሪያ ያንብቡ

Free newsletter

Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.

One email each weekday. Unsubscribe in one click. We never sell or share your address.

Test yourself

Take the OpenAI Whisper quiz

Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.

ጥያቄ ጀምር

Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation

ቀጣይ መመሪያ

ሹክሹክታ በጊዜ የታተመ የቃል አሰላለፍ

ቀጣዩን መመሪያ ያንብቡ ሁሉንም ጥያቄዎች ያስሱ

በተደጋጋሚ የሚጠየቁ ጥያቄዎች

What is OpenAI Whisper?

ሹክሹክታ የOpenAI ክፍት ምንጭ አውቶማቲክ የንግግር ማወቂያ ስርዓት ሲሆን በደርዘን በሚቆጠሩ ቋንቋዎች የሚነገር ድምጽን የሚገለብጥ እና የሚተረጉም ነው። ሞዴሉን ማስኬድ ለሚችል ማንኛውም ሰው ጠንካራ፣ ነፃ እና በሰው የቀረበ ጽሑፍ ስላመጣ ጠቃሚ ነው።

የOpenAI ሹክሹክታ ዋና አላማ ምንድነው?

ሹክሹክታ የንግግር ድምጽን በብዙ ቋንቋዎች የሚገለበጥ እና የሚተረጉም አውቶማቲክ የንግግር ማወቂያ ስርዓት ነው።

ሹክሹክታ በስንት ኦዲዮ ሰለጠነ?

ሹክሹክታ ለ680,000 ሰአታት በሚደርስ የባለብዙ ቋንቋ እና ከድር በተሰበሰበ ባለብዙ ተግባር ኦዲዮ ላይ የሰለጠነ ሲሆን ይህም ጥንካሬውን ይገፋፋል።

የዊስፐር ኢንኮደር ምን አይነት የድምጽ ውክልና ይሰራል?

ኦዲዮ ወደ ሎግ-ሜል ስፔክትሮግራም ይቀየራል፣ በጊዜ ሂደት የድግግሞሽ ይዘትን የሚወክል፣ ትራንስፎርመር ኢንኮደር ያነበዋል።

ሹክሹክታ ቤተኛ የማያቀርበው የትኛውን አቅም ነው?

ሹክሹክታ ወደ ግልባጭ፣ ወደ እንግሊዘኛ መተርጎም፣ ቋንቋ ማወቅ እና የጊዜ ማህተሞችን ይቆጣጠራል፣ ነገር ግን የቪዲዮ ጄነሬተር አይደለም።

ለምንድነው ሹክሹክታ የማህበረሰብ መሳሪያዎችን እና መተግበሪያዎችን ማዕበል የቀሰቀሰው?

OpenAI ክብደቶችን እና ኮድን ስለከፈቱ፣ ገንቢዎች ዊስፐርን በአገር ውስጥ ማስኬድ እና ብዙ መሳሪያዎችን እና ፈጣን ትግበራዎችን መገንባት ይችላሉ።