AWS የዊስፐርክስ መያዣን ለ SageMaker AI ይለቀቃል

ምን ተፈጠረ

AWS የቴክኒካል መመሪያን አሳትሞ ጥልቅ የመማሪያ ኮንቴይነር (DLC) ለ WhisperX አውጥቷል፣ የOpenAI የዊስፐር ሞዴል ክፍት ምንጭ። ይህ ኮንቴይነር በAmazon SageMaker AI ላይ ለመሰማራት የተቀየሰ ነው፣ ይህም ሁለቱንም የእውነተኛ ጊዜ እና ያልተመሳሰሉ የመጨረሻ ነጥቦችን ይደግፋል። ስርዓቱ የተናጋሪ ዲያየላይዜሽን እና የቃላት-ደረጃ የጊዜ ማህተሞችን ወደ መደበኛ ግልባጭ ያክላል።

AWS በAmazon SageMaker AI ላይ ለመሰማራት የሚገኝ ለ WhisperX ጥልቅ የመማሪያ ኮንቴይነር (DLC) አስተዋውቋል። ዊስፐር ኤክስ የOpenAI ዊስፐር አውቶማቲክ የንግግር ማወቂያ ሞዴልን የሚያራዝም ክፍት ምንጭ ፕሮጄክት ነው። AWS DLC እነዚህን ክፍሎች ወደ ጂፒዩ-ዝግጁ ምስል በመደበኛው የ SageMaker AI አገልግሎት ውልን ተከትሎ ተጠቃሚዎች ብጁ ምስሎችን እንዲገነቡ ወይም Hugging Face ቶከኖችን እንዲያስተዳድሩ ያለውን ፍላጎት ያስወግዳል።

ማሰማራቱ ሁለት የመጨረሻ ነጥብ ዓይነቶችን ይደግፋል፡ ቅጽበታዊ እና ያልተመሳሰሉ። የአሁናዊው የመጨረሻ ነጥብ በSageMaker AI የ60 ሰከንድ የምላሽ ካፕ ውስጥ ለተጠናቀቁ አጭር በይነተገናኝ ቅንጥቦች ተስማሚ ነው፣ ግልባጩን በተመሳሳይ መልኩ ይመልሳል። ያልተመሳሰለው የመጨረሻ ነጥብ በAmazon S3 በኩል ግቤት እና ውፅዓት ስለሚያደርግ የጊዜ ገደቡን በማስወገድ እና የበለጠ ውስብስብ ሂደት እንዲኖር ስለሚያደርግ ለረጅም የድምጽ ፋይሎች ይመከራል። ሁለቱም የመጨረሻ ነጥቦች የጅምር ስህተቶችን ለመከላከል InferenceAmiVersionን ከ al2-ami-sagemaker-inference-gpu-3-1 ጋር ማያያዝን ጨምሮ የተወሰነ ውቅር ያስፈልጋቸዋል።

ምንጩ ማሰማራቱን ለመፈተሽ በAWS ናሙናዎች ማከማቻ ውስጥ ሊሠራ የሚችል የጁፒተርላብ ማስታወሻ ደብተር ያቀርባል። ምሳሌው ከዩኤስ ኤርዌይስ በረራ 1549 የአየር ትራፊክ ቁጥጥር ግንኙነቶችን የህዝብ-ጎራ ቀረጻ በመጠቀም ስርዓቱ የመድብለ ፓርቲ የሬድዮ ልውውጦችን ከበስተጀርባ ድምጽ ጋር ለመቆጣጠር ያለውን ችሎታ ያሳያል። ውጤቱ ትክክለኛ የድምጽ ትንተና እና ተገዢነት ኦዲት ለሚፈልጉ አፕሊኬሽኖች ወሳኝ የሆኑ ክፍሎችን፣ የቃል ጊዜ ማህተሞችን እና የተናጋሪ መለያዎችን ያካትታል።

የምንጭ ዝርዝሮች: aws.amazon.com ↗

ለምን አስፈላጊ ነው።

ይህ ልቀት ኢንተርፕራይዞች እንደ wav2vec2 alignment እና diarization ያሉ ውስብስብ ክፍሎችን ወደ የሚተዳደር፣ ጂፒዩ ዝግጁ የሆነ ምስል በማሸግ ከፍተኛ ታማኝነት ያለው የኦዲዮ ትንታኔን ለመተግበር እንቅፋት ይሆናል። ቡድኖች ብጁ ኮንቴይነሮችን ሳይገነቡ፣ በእውቂያ ማዕከላት ውስጥ ያሉ የአጠቃቀም ጉዳዮችን፣ የህግ ግኝቶችን እና የሚዲያ መግለጫ ጽሑፎችን ሳይሰሩ ቡድኖችን በድምጽ ማጉያ የተለጠፈ ጽሑፍ እንዲያሰማሩ ያስችላቸዋል። ደረጃውን የጠበቀ የአገልግሎት ውል በማቅረብ፣ AWS የላቀ ክፍት ምንጭ AI ችሎታዎችን ወደሚተዳደረው የደመና መሠረተ ልማት በማዋሃድ ሊሰፋ የሚችል እና ታዛዥ የሆነ የድምጽ ሂደትን ያመቻቻል።

አጠቃላይ ከንግግር ወደ ጽሑፍ መሳሪያዎች ብዙ ጊዜ አስተማማኝ የተናጋሪ መለያ እና ትክክለኛ የጊዜ ማህተሞችን ማቅረብ ይሳናቸዋል፣ ይህም ለድርጅት አፕሊኬሽኖች እንደ የግንኙነት ማዕከል ትንተና፣ የህግ ግኝት እና የሚዲያ መግለጫ ፅሁፍ ላሉ። WhisperXን ወደ የሚተዳደር DLC በማሸግ፣ AWS ጥልቅ የመሠረተ ልማት ዕውቀትን ሳይጠይቅ እነዚህን ክፍተቶች የሚፈታ ለምርት ዝግጁ የሆነ መፍትሔ ይሰጣል።

የተናጋሪ ዳያላይዜሽን ውህደት እና የቃላት-ደረጃ አሰላለፍ የኦዲዮ መረጃን የበለጠ የጥራጥሬ ትንተናን ያስችላል። ለምሳሌ፣ የእውቂያ ማዕከላት የንግግር ጊዜን እና የስክሪፕት ተገዢነትን ይለካሉ፣ የሚዲያ ቡድኖች ደግሞ ትክክለኛ የንዑስራይፕ ንዑስ ርዕስ (SRT) እና የድር ቪዲዮ ጽሑፍ ትራኮች (VTT) ፋይሎችን ማመንጨት ይችላሉ። ይህ ችሎታ ለኦዲት ትክክለኛ የንግግር ባህሪ በሚያስፈልግበት በጤና አጠባበቅ፣ በሕግ እና በፋይናንስ ዘርፎች የቁጥጥር ተገዢነትን ይደግፋል።

ልቀቱ የደመና አቅራቢዎች ልዩ ክፍት ምንጭ AI ሞዴሎችን ከሚተዳደሩ አገልግሎቶቻቸው ጋር የማዋሃድ አዝማሚያን አጉልቶ ያሳያል። ደረጃውን የጠበቀ ኮንቴይነር በማቅረብ፣ AWS የላቀ የንግግር ማወቂያ ሞዴሎችን ለመዘርጋት የሥራ ማስኬጃ ክፍያን ይቀንሳል፣ ይህም ለብዙ ገንቢዎች እና ኢንተርፕራይዞች ተደራሽ ያደርጋቸዋል።

ቀጥሎ ምን እንደሚታይ

ይህንን ኮንቴይነር ለማስኬድ የሚያስፈልጉትን የጂፒዩ ሁኔታዎች የደንበኛ ጉዲፈቻ መለኪያዎችን እና የተወሰኑ የዋጋ አወጣጥ ሞዴሎችን ይቆጣጠሩ። ወደፊት የመያዣ ስሪቶች ላይ ሊንጸባረቅ የሚችለውን የዊስፐርክስ ክፍት ምንጭ ፕሮጀክት ዝማኔዎችን ለማግኘት ተመልከት እና ይህ የማሰማራት ዘይቤ ሰፊውን የንግግር-ወደ-ጽሑፍ አገልግሎቶችን ገበያ ላይ እንዴት እንደሚነካ ተመልከት።

ምንጩ መያዣውን ለማስኬድ የሚያስፈልገው የጂፒዩ ምሳሌዎችን (ml.g4dn.xlarge ወይም ml.g5.2xlarge) ዋጋን አይገልጽም ወይም ቀጣይነት ያለው የሂሳብ አከፋፈል የጂፒዩ የመጨረሻ ነጥቦችን ዋጋ አይገልጽም። ተጠቃሚዎች ለ SageMaker AI የ AWS የዋጋ ማሻሻያ እና የወጪ ቁጥጥር ባህሪያትን መከታተል አለባቸው።

የWhisperX ክፍት ምንጭ ፕሮጀክት የወደፊት ዝመናዎች በሚቀጥሉት የAWS DLC ስሪቶች ላይ የሚንፀባረቁ አዳዲስ ባህሪያትን ወይም ማሻሻያዎችን ሊያስተዋውቅ ይችላል። እነዚህን ዝመናዎች መከታተል ለተጠቃሚዎች በድምጽ ማጉያ ዲያላይዜሽን እና አሰላለፍ ላይ ባሉ የቅርብ ጊዜ ችሎታዎች ላይ እንዲተማመኑ አስፈላጊ ይሆናል።

የዚህ ኮንቴይነር በድርጅት ደንበኞች መቀበሉ የሚተዳደር፣ ከፍተኛ ታማኝነት ከንግግር ወደ ጽሑፍ አገልግሎቶች የገበያ ፍላጎትን ያሳያል። ይህንን መሳሪያ AWS እንዴት ከሌሎች የንግግር ማወቂያ አቅርቦቶች ጋር እንዳስቀመጠው መመልከት ስለ የውድድር ገጽታ ግንዛቤን ይሰጣል።

ተዛማጅ መመሪያዎች እና ጥያቄዎች