ሹክሹክታ የንግግር እውቅና መመሪያ

አጠቃላይ እይታ

It matters because it brought near-human transcription quality to everyone for free, working robustly on accents, background noise, and technical jargon.

ጥልቅ ዳይቭ

በOpenAI በሴፕቴምበር 2022 የተለቀቀው ዊስፐር በ680,000 ሰአታት ባለብዙ ቋንቋ የሰለጠነ ትራንስፎርመር ላይ የተመሰረተ ኢንኮደር-ዲኮደር ሞዴል ነው ከድር የተገለበጠ። ከቀደምት ስርዓቶች ንጹህ፣ የተሰየመ ውሂብ ከሚያስፈልጋቸው ስርዓቶች በተለየ፣ ሹክሹክታ ከተመሰቃቀለው የእውነተኛ አለም ቀረጻ ተማረ፣ ይህም ለድምጾች፣ ጫጫታ እና ንግግሮች በሚያስደንቅ ሁኔታ የሚቋቋም ያደርገዋል። ነጠላ ሞዴል ግልባጭን፣ ወደ እንግሊዝኛ መተርጎምን፣ ቋንቋን መለየት እና የጊዜ ማህተምን ይቆጣጠራል። ከ'ጥቃቅን' (39M ግቤቶች) ወደ 'ትልቅ' (1.55B) በመጠኖች ይላካል፣ ይህም ተጠቃሚዎች ለትክክለኛነት ፍጥነት እንዲገበያዩ ያስችላቸዋል። ክብደቶቹ በኤምአይቲ (MIT) ስር በግልጽ የተፈቀዱ በመሆናቸው፣ ሹክሹክታ ለቁጥር የሚታክቱ የፖድካስት ፅሁፍ አቅራቢዎች፣ የመግለጫ ፅሁፍ መሳሪያዎች እና የድምጽ መተግበሪያዎች ነባሪ የጀርባ አጥንት ሆነ።

ቴክኒካዊ ግንዛቤ

ሹክሹክታ ኦዲዮን ወደ 30 ሰከንድ ክፍሎች ከፍሎ እያንዳንዱን ወደ ሎግ-ሜል ስፔክትሮግራም (80 ፍሪኩዌንሲ ቻናሎች) ይቀይራል እና ወደ ትራንስፎርመር ኢንኮደር ይመግባል። ከዚያም ዲኮደሩ የጽሑፍ ቶከኖችን በራስ-ሰር ይተነብያል፣ በልዩ ቶከኖች በመመራት ተግባሩን በሚገልጹ (መገልበጥ vs. መተርጎም)፣ ቋንቋ እና የጊዜ ማህተሞችን ለመልቀቅ። ይህ ባለብዙ ተግባር ማስመሰያ-ኮንዲሽኒንግ ብልህ ብልሃት ነው፡ አንድ የክብደት ስብስብ ብዙ ስራዎችን ያከናውናል ዲኮዲንግ ሲጀምር በቀረበው ፈጣን ቶከኖች ላይ በመመስረት።

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።

የሹክሹክታ ንግግር እውቅና ወደፊት

ሹክሹክታ እንደ Whisper.cpp፣ፈጣን-ሹክሹክታ እና በስልኮች እና በላፕቶፖች ላይ በቅጽበት የሚሰሩ የፈጣን ተዋጽኦዎችን ማዕበል ቀስቅሷል። ጥብቅ ዥረት (ዝቅተኛ መዘግየት) ተለዋዋጮች፣ የተሻለ የድምጽ ማጉያ ዲያሪዜሽን ከጎኑ የተጣመሩ እና በዝቅተኛ ግብአት ቋንቋዎች ላይ ጠንካራ አፈጻጸም ይጠብቁ። በመሳሪያ ላይ ኦዲዮ AI እያደገ ሲሄድ ቀላል ክብደት ያለው የሹክሹክታ አይነት ሞዴሎች የቀጥታ መግለጫ ፅሁፎችን፣ የስብሰባ ማስታወሻዎችን እና የተደራሽነት መሳሪያዎችን ሙሉ በሙሉ ከመስመር ውጭ ያሰራጫሉ፣ ከደመና-ደረጃ ትክክለኛነት ጋር በሚዛመዱበት ጊዜ ግላዊነትን ይጠብቃሉ።

የእውነተኛ-ዓለም አተገባበር

ለፖድካስቶች እና የዩቲዩብ ቪዲዮዎች መፈለግ የሚችሉ ግልባጮችን እና መግለጫ ጽሑፎችን በራስ-ማመንጨት

ከማጉላት ወይም ከቡድኖች ኦዲዮ ማጠቃለያዎችን የሚያዘጋጁ የቀጥታ የስብሰባ ማስታወሻ መተግበሪያዎችን በማብቃት።

የውጭ ቋንቋ ቃለመጠይቆችን በቀጥታ ወደ እንግሊዝኛ ጽሑፍ ለጋዜጠኞች መተርጎም

መተየብ ለማይችሉ ተጠቃሚዎች በድምፅ ቁጥጥር የሚደረግ ተደራሽነት መሳሪያዎችን መገንባት

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 Whisper Speech Recognition 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

የንግግር ስሜት እውቅና

ቀጣዩን መመሪያ ያንብቡ ሁሉንም ጥያቄዎች ያስሱ

በተደጋጋሚ የሚጠየቁ ጥያቄዎች

What is Whisper Speech Recognition?

ሹክሹክታ የOpenAI ኦዲዮን በ90+ ቋንቋዎች ወደ ጽሑፍ የሚቀይር የመክፈቻ ምንጭ አውቶማቲክ የንግግር ማወቂያ ስርዓት ነው። ለሰው ልጅ ቅርብ የሆነ የጽሑፍ ጥራትን በነጻ ስላመጣ፣ በድምፅ ዘዬዎች፣ ከበስተጀርባ ጫጫታ እና ቴክኒካል ጃርጎን ላይ በጠንካራ ሁኔታ ስለሚሰራ ጠቃሚ ነው።

ሹክሹክታ ለስንት ሰአት ያህል ኦዲዮ የሰለጠነው?

ሹክሹክታ ወደ 680,000 ሰአታት በሚደርስ የባለብዙ ቋንቋ እና ከድር በተሰበሰበ ባለብዙ ተግባር ኦዲዮ ላይ የሰለጠነው፣ ባልተለመደ ሁኔታ ትልቅ እና የተለያየ የውሂብ ስብስብ።

ከመቀየሪያው በፊት ሹክሹክታ ከጥሬ ኦዲዮ ምን አይነት መካከለኛ ውክልና ያሰላል?

ሹክሹክታ እያንዳንዱን የ30 ሰከንድ የድምጽ ቻናል ወደ 80-ቻናል ሎግ-ሜል ስፔክትሮግራም ይቀይራል፣ ይህም ትራንስፎርመር ኢንኮደር ያደርገዋል።

አንድ ነጠላ የሹክሹክታ ሞዴል እንዴት እንደ ግልባጭ እና ትርጉም ያሉ በርካታ ተግባራትን ያከናውናል?

ቋንቋውን፣ ተግባሩን እና የጊዜ ማህተሞችን መልቀቅ አለመቻልን የሚነግሩ ሁኔታዎችን በመፍታት መጀመሪያ ላይ በልዩ ምልክቶች ላይ ሹክሹክታ።

ዊስፐር ምን ዓይነት አጠቃላይ የነርቭ ምህንድስና ይጠቀማል?

ሹክሹክታ ኢንኮደር ዲኮደር ትራንስፎርመር ነው፡ ኢንኮደሩ ስፔክትሮግራም ያነባል እና ዲኮደር የጽሁፍ ቶከኖችን በራስ-ሰር ያመነጫል።

ለምንድነው ሹክሹክታ በተለይ ከቀደምት የASR ስርዓቶች ጋር ሲነጻጸር ጠንካራ ነው የሚባለው?

እጅግ በጣም ብዙ በሆኑ የተለያዩ፣ የገሃዱ ዓለም ኦዲዮ (ዘዬዎች፣ ጫጫታ፣ ቃላቶች) ላይ ስልጠና ሹክሹክታ ከሳጥን ውጭ ጠንካራ ጥንካሬን ያለ የጎራ ማስተካከያ አድርጓል።