Jasper اور QuartzNet ASR
Jasper اور QuartzNet NVIDIA کے آخر سے لے کر آخر تک کی آواز کی شناخت کے ماڈل ہیں، جس میں QuartzNet ڈرامائی طور پر چھوٹا، موثر انداز میں Jasper کا دوبارہ ڈیزائن ہے۔
جائزہ
They matter for showing how to get strong accuracy with far fewer parameters, ideal for deployment.
گہرا غوطہ
Jasper (صرف ایک اور اسپیچ ریکگنائزر)، جسے NVIDIA نے 2019 میں جاری کیا، ایک گہرا 1D convolutional نیٹ ورک ہے، 54 تہوں تک، جو CTC نقصان کا استعمال کرتے ہوئے mel-spectrogram کی خصوصیات کا نقشہ بناتا ہے۔ اس نے گھنے بقایا کنکشن متعارف کرائے ہیں لہذا میلان بہت گہرے ڈھیروں کے ذریعے صاف طور پر بہتے ہیں۔ اسی سال ریلیز ہونے والے کوارٹز نیٹ نے جیسپر کے بلاک ڈھانچے کو برقرار رکھا لیکن معیاری کنولوشنز کو ٹائم چینل سیپاریبل کنوولوشنز سے بدل دیا، ہر فلٹر کو گہرائی کی سمت عارضی کنولوشن اور پوائنٹ وائز چینل مکسنگ سٹیپ میں تقسیم کیا۔ اس فیکٹرائزیشن نے جیسپر کے تقریباً 333 ملین سے پیرامیٹرز کو کم کر کے تقریباً 19 ملین کر دیا ہے جبکہ Librispeech پر درستگی سے مماثل ہے۔ دونوں جہاز NVIDIA کی NeMo ٹول کٹ میں ہیں اور تیز رفتار GPU ٹریننگ اور حقیقی وقت کے تخمینے کے لیے بنائے گئے ہیں، جو انہیں ASR پروڈکشن کے لیے مقبول بلڈنگ بلاکس بناتے ہیں۔
تکنیکی بصیرت
کوارٹز نیٹ کی کارکردگی ٹائم چینل سے الگ ہونے والی تبدیلیوں سے آتی ہے، یہی خیال MobileNet کے پیچھے ہے۔ ایک عام 1D کنوولوشن وقت اور چینلز کو آپس میں ملا دیتا ہے، جس کی لاگت K گنا C-in اوقات C-out وزن ہوتی ہے۔ اسے وقت کے ساتھ ساتھ گہرائی کی سمت میں تبدیل کرنے کے علاوہ چینلز پر 1x1 پوائنٹ وائز کنولوشن پیرامیٹر کو K اوقات C پلس C-in اوقات C-out تک کم کر دیتا ہے۔ بقایا بلاکس میں ڈھیر اور CTC کے ساتھ تربیت یافتہ، یہ ماڈل سائز اور کمپیوٹ کے ایک حصے پر قریب قریب Jasper کی درستگی دیتا ہے۔
اسٹریٹجک اثر
رسائی اور رسائی
یہ نقل، بیان اور صوتی انٹرفیس کے ذریعے رسائی کو بہتر بناتا ہے۔
لاگت اور بجٹ
میڈیا ٹیمیں چھوٹے بجٹ کے ساتھ پالش آڈیو کو تیزی سے بھیج سکتی ہیں۔
رفتار اور پیمانہ
کسٹمر کا سامنا کرنے والے نظام بڑے پیمانے پر بولی جانے والی بات چیت پر کارروائی کر سکتے ہیں۔
Jasper اور QuartzNet ASR کا مستقبل
کوارٹز نیٹ کا الگ کرنے والا کنوولوشن نسب براہ راست NVIDIA کے Citrinet اور وسیع پیمانے پر استعمال ہونے والے Conformer ماڈلز کی طرف لے گیا، جو مقامی کنوولوشنز کے ساتھ ساتھ عالمی سیاق و سباق کو حاصل کرنے کے لیے خود توجہ مرکوز کرتے ہیں۔ سٹریمنگ کے لیے ہائبرڈ کنوولوشن-پلس-اٹینشن آرکیٹیکچرز اور ٹرانسڈیوسر (RNN-T) ڈیکوڈرز کی جانب مسلسل حرکت کی توقع کریں۔ بنیادی سبق، کنارے اور حقیقی وقت کی تعیناتی کے لیے پیرامیٹر کے لحاظ سے موثر حل، مرکزی رہتا ہے کیونکہ ASR فونز، کاروں اور ایمبیڈڈ ڈیوائسز پر دھکیلتا ہے۔
حقیقی دنیا کا نفاذ
ریئل ٹائم ٹرانسکرپشن اور وائس اسسٹنٹس NVIDIA GPUs پر NeMo ٹول کٹ کے ذریعے تعینات
ایج اور ایمبیڈڈ ASR جہاں کوارٹز نیٹ کا چھوٹا سا نشان میموری سے مجبور آلات پر فٹ بیٹھتا ہے
طبی یا قانونی اصطلاحات جیسے ڈومین سے متعلق مخصوص الفاظ کے لیے پہلے سے تربیت یافتہ کوارٹز نیٹ چیک پوائنٹس
کال سینٹر کے تجزیات جو آڈیو کی بڑی مقدار کو تیزی سے اور لاگت کے ساتھ نقل کرتے ہیں۔
خطرات اور گارڈریلز
رضامندی غائب ہونے پر آواز کے غلط استعمال اور نقالی کے خطرات بڑھ جاتے ہیں۔
درستگی لہجوں، بولیوں، یا شور والے ماحول میں گر سکتی ہے۔
واضح لیبلنگ کے بغیر مصنوعی آڈیو کو مستند تقریر کے لیے غلط سمجھا جا سکتا ہے۔
نفاذ کا روڈ میپ
آواز کی گرفتاری، کلوننگ اور دوبارہ استعمال کے لیے واضح رضامندی حاصل کریں۔
متنوع اسپیکرز اور پس منظر کے حالات میں معیار کی جانچ کریں۔
وضاحت کریں کہ جب ایک انسان کو آؤٹ پٹس کا جائزہ لینا یا منظور کرنا ضروری ہے۔
مصنوعی آڈیو کو لیبل کریں اور جوابدہی کے لیے پرووینس ریکارڈ رکھیں۔
دریافت کرتے رہیں
Free newsletter
Get the daily AI briefing
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 Jasper and QuartzNet ASR quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
اگلا گائیڈ
Wav2Letter Convolutional ASR
اکثر پوچھے گئے سوالات
What is Jasper and QuartzNet ASR?
Jasper اور QuartzNet NVIDIA کے آخر سے لے کر آخر تک کی آواز کی شناخت کے ماڈل ہیں، جس میں QuartzNet ڈرامائی طور پر چھوٹا، موثر انداز میں Jasper کا دوبارہ ڈیزائن ہے۔ وہ یہ بتانے کے لیے اہمیت رکھتے ہیں کہ کس طرح بہت کم پیرامیٹرز کے ساتھ مضبوط درستگی حاصل کی جاتی ہے، جو تعیناتی کے لیے مثالی ہے۔
کون سی کلیدی اختراع کوارٹز نیٹ کو Jasper سے کہیں کم پیرامیٹرز استعمال کرنے دیتی ہے؟
کوارٹز نیٹ معیاری کنوولوشنز کو ٹائم چینل سیپریبل کنوولوشنز سے بدل دیتا ہے، درستگی کو محفوظ رکھتے ہوئے پیرامیٹر کی گنتی میں تیزی سے کمی کرتا ہے۔
Jasper کے ~333 ملین کے مقابلے QuartzNet کے تقریباً کتنے پیرامیٹرز ہیں؟
کوارٹز نیٹ تقریباً 19 ملین پیرامیٹرز تک سکڑ جاتا ہے، تقریباً 17 گنا کمی، جب کہ Jasper کی Librispeech درستگی سے مماثل ہے۔
کس کمپنی نے جیسپر اور کوارٹز نیٹ دونوں تیار کیے؟
دونوں ماڈلز NVIDIA کے ذریعے تیار کیے گئے تھے اور اس کی NeMo بات چیت کی AI ٹول کٹ کے ذریعے تقسیم کیے گئے ہیں۔
Jasper اور QuartzNet بغیر کسی واضح سیدھ کے تربیت کے لیے کون سا نقصان کا فنکشن استعمال کرتے ہیں؟
دونوں CTC نقصان کا استعمال کرتے ہیں، جو فی فریم لیبلز کی ضرورت کے بغیر متغیر کی لمبائی والی آڈیو کو کریکٹر سیکوینس کے ساتھ سیدھ میں کرتا ہے۔
کون سی ساختی خصوصیت جسپر کے بہت گہرے (54-پرت تک) نیٹ ورک کے ذریعے گراڈینٹ کو بہنے میں مدد کرتی ہے؟
Jasper گھنے بقایا (اسکپ) کنکشنز کا استعمال کرتا ہے تاکہ گریڈیئنٹس اس کے گہرے کنوولیشنل اسٹیک کے ذریعے صاف طور پر پھیل جائیں۔