Reconnaissance vocale à l'aide du modèle Whisper d'OpenAI
La reconnaissance vocale est un domaine de l'intelligence artificielle qui permet aux ordinateurs de comprendre la parole humaine et de la convertir en texte. La technologie est utilisée dans des appareils comme Alexa et diverses applications de chatbot. La chose la plus courante que nous faisons est la transcription vocale, qui peut être convertie en transcriptions ou sous-titres.
Les développements récents de modèles de pointe tels que wav2vec2, Conformer et Hubert ont considérablement fait progresser le domaine de la reconnaissance vocale. Ces modèles utilisent des techniques qui apprennent à partir de l’audio brut sans avoir besoin de données étiquetées par l’homme, ce qui leur permet d’utiliser efficacement de grands ensembles de données de parole non étiquetée. Ils ont également été étendus pour utiliser jusqu'à 1 000 000 d'heures de données de formation, bien au-delà des 1 000 heures traditionnelles utilisées dans les ensembles de données académiques supervisés, mais les modèles pré-entraînés de manière supervisée sur plusieurs ensembles de données et domaines se sont avérés plus performants. ensembles de données, de sorte que l'exécution de tâches telles que la reconnaissance vocale nécessite encore un réglage fin, ce qui limite leur plein potentiel. Pour résoudre ce problème, OpenAI a développé Whisper, un modèle qui utilise des méthodes de supervision faibles.
Cet article expliquera les types d'ensembles de données utilisés pour la formation et les méthodes de formation du modèle, et comment utiliser Whisper
Introduction au modèle Whisper
Utilisation de l'ensemble de données :
Le modèle Whisper est sur un ensemble de données de 680 000 heures de formation sur les données audio labellisées, qui comprennent 117 000 heures de parole dans 96 langues différentes et 125 000 heures de données de traduction de « n'importe quelle langue » vers l'anglais. Le modèle exploite le texte généré sur Internet par d'autres systèmes de reconnaissance automatique de la parole (ASR) plutôt que créé par des humains. L'ensemble de données comprend également un détecteur de langue formé sur VoxLingua107, une collection de courts clips vocaux extraits de vidéos YouTube et étiquetés en fonction de la langue du titre et de la description de la vidéo, avec des étapes supplémentaires pour supprimer les faux positifs.
Modèle :
La structure principale utilisée est la structure codeur-décodeur.
Rééchantillonnage : 16 000 Hz
Méthode d'extraction des caractéristiques : Calculez la représentation du spectrogramme Log Mel à 80 canaux en utilisant une fenêtre de 25 ms et une foulée de 10 ms.
Normalisation des fonctionnalités : l'entrée est globalement mise à l'échelle entre -1 et 1 et a une moyenne approximativement nulle sur l'ensemble de données pré-entraîné.
Encodeur/Décodeur : L'encodeur et le décodeur de ce modèle adoptent des transformateurs.
Processus d'encodeur :
L'encodeur traite d'abord la représentation d'entrée à l'aide d'une tige contenant deux couches convolutives (largeur de filtre 3), en utilisant la fonction d'activation GELU.
La foulée de la deuxième couche convolutive est de 2.
Ensuite, ajoutez l'intégration de la position sinusoïdale à la sortie de la tige, puis appliquez le bloc transformateur de l'encodeur.
Les transformateurs utilisent des blocs résiduels pré-activés et la sortie de l'encodeur est normalisée à l'aide d'une couche de normalisation.
Schéma fonctionnel du modèle :
Processus de décodage :
Dans le décodeur, l'intégration de la position d'apprentissage et la liaison de la représentation des marques d'entrée et de sortie sont utilisées.
L'encodeur et le décodeur ont la même largeur et le même nombre de blocs Transformers.
Formation
Pour améliorer les propriétés de mise à l'échelle du modèle, il est entraîné sur différentes tailles d'entrée.
Formez le modèle avec FP16, la mise à l'échelle dynamique des pertes et le parallélisme des données.
En utilisant AdamW et l'écrêtage des normes de gradient, le taux d'apprentissage linéaire diminue jusqu'à zéro après l'échauffement des 2048 premières mises à jour.
Utilisez une taille de lot de 256 et entraînez le modèle pour 220 mises à jour, ce qui équivaut à deux à trois passes avant sur l'ensemble de données.
Étant donné que le modèle n'a été formé que pendant quelques époques, le surajustement n'était pas un problème significatif et aucune technique d'augmentation ou de régularisation des données n'a été utilisée. Cela repose plutôt sur la diversité au sein de grands ensembles de données pour promouvoir la généralisation et la robustesse.
Whisper a démontré une bonne précision sur les ensembles de données précédemment utilisés et a été testé par rapport à d'autres modèles de pointe.
Avantages :
- Whisper a été formé sur des données réelles ainsi que sur des données utilisées sur d'autres modèles et avec une faible supervision.
- La précision du modèle est testée par rapport à des auditeurs humains et ses performances sont évaluées.
- Il détecte les zones non exprimées et applique la technologie PNL pour saisir correctement les signes de ponctuation dans les transcriptions.
- Le modèle est évolutif et permet d'extraire des transcriptions de signaux audio sans diviser la vidéo en morceaux ou en lots, réduisant ainsi le risque de sons manquants.
- Le modèle atteint une plus grande précision sur divers ensembles de données.
Résultats comparatifs de Whisper sur différents ensembles de données, par rapport à wav2vec, il a atteint le taux d'erreur de mot le plus bas jusqu'à présent
Le modèle n'a pas été testé sur l'ensemble de données Timit, donc afin de vérifier son taux d'erreur sur les mots, nous allons montrer ici comment utiliser Whisper pour auto-vérifier l'ensemble de données Timit, c'est-à-dire utiliser Whisper pour créer notre propre application de reconnaissance vocale.
Utilisation du modèle Whisper pour la reconnaissance vocale
TIMIT Reading Speech Corpus est une collection de données vocales spécifiquement utilisées pour la recherche sur la parole acoustique ainsi que pour le développement et l'évaluation de systèmes de reconnaissance vocale automatique. Il comprend des enregistrements de 630 locuteurs des huit principaux dialectes de l'anglais américain, chacun lisant dix phrases phonétiquement riches. Le corpus comprend des transcriptions orthographiques, phonétiques et de mots alignées dans le temps, ainsi que des fichiers de formes d'onde vocales de 16 bits et 16 kHz pour chaque voix. Le corpus a été développé par le Massachusetts Institute of Technology (MIT), SRI International (SRI) et Texas Instruments (TI). Les transcriptions du corpus TIMIT ont été vérifiées manuellement, avec des sous-ensembles de tests et de formation spécifiés pour équilibrer la couverture phonétique et dialectale.
Installation :
!pip install git+https://github.com/openai/whisper.git !pip install jiwer !pip install datasets==1.18.3
La première commande installera toutes les dépendances requises par le modèle Whisper. jiwer est utilisé pour télécharger le package de taux d'erreur de texte. Les ensembles de données sont fournis par hugface. Vous pouvez télécharger l'ensemble de données Timit.
Importer la bibliothèque
import whisper from pytube import YouTube from glob import glob import os import pandas as pd from tqdm.notebook import tqdm
Charger l'ensemble de données Timit
from datasets import load_dataset, load_metric timit = load_dataset("timit_asr")
Calculer le taux d'erreur Word sous différentes tailles de modèle
Considérant la nécessité de filtrer les données anglaises et les données non anglaises, nous choisissons d'utiliser ici un modèle multilingue à la place spécifiquement pour le modèle de conception anglaise.
Mais l'ensemble de données TIMIT est en anglais pur, nous devons donc appliquer le même processus de détection et de reconnaissance de la langue. De plus, l'ensemble de données TIMIT a été divisé en ensembles de formation et de vérification, et nous pouvons l'utiliser directement.
Pour utiliser Whisper, nous devons d'abord comprendre les paramètres, la taille et la vitesse des différents modèles.
Loading model
model = whisper.load_model('tiny')
tiny peut être remplacé par le nom du modèle mentionné ci-dessus.
La fonction qui définit le détecteur de langue
def lan_detector(audio_file): print('reading the audio file') audio = whisper.load_audio(audio_file) audio = whisper.pad_or_trim(audio) mel = whisper.log_mel_spectrogram(audio).to(model.device) _, probs = model.detect_language(mel) if max(probs, key=probs.get) == 'en': return True return False
La fonction qui convertit la parole en texte
def speech2text(audio_file): text = model.transcribe(audio_file) return text["text"]
En exécutant la fonction ci-dessus avec différentes tailles de modèle, les taux d'erreur de mots obtenus par l'entraînement et les tests Timit sont les suivants :
Transcrit de u2b Speech
Par rapport à d'autres modèles de reconnaissance vocale, Whisper peut non seulement reconnaître la parole, mais également interpréter la ponctuation et l'intonation du discours d'une personne et insérer des signes de ponctuation appropriés. Nous utiliserons la vidéo d'u2b pour les tests ci-dessous.
Ici, nous avons besoin d'un package pytube, qui peut facilement nous aider à télécharger et extraire l'audio
def youtube_audio(link): youtube_1 = YouTube(link) videos = youtube_1.streams.filter(only_audio=True) name = str(link.split('=')[-1]) out_file = videos[0].download(name) link = name.split('=')[-1] new_filename = link+".wav" print(new_filename) os.rename(out_file, new_filename) print(name) return new_filename,link
Après avoir obtenu le fichier wav, nous pouvons appliquer la fonction ci-dessus pour en extraire du texte.
Résumé
Le code de cet article est ici
https://drive.google.com/file/d/1FejhGseX_S1Ig_Y5nIPn1OcHN8DLFGIO/view
Il existe de nombreuses opérations qui peuvent être effectuées avec Whisper, vous pouvez l'essayer vous-même en fonction sur le code de cet article.
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

AI Hentai Generator
Générez AI Hentai gratuitement.

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds



Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Selon les informations de ce site le 1er août, SK Hynix a publié un article de blog aujourd'hui (1er août), annonçant sa participation au Global Semiconductor Memory Summit FMS2024 qui se tiendra à Santa Clara, Californie, États-Unis, du 6 au 8 août, présentant de nombreuses nouvelles technologies de produit. Introduction au Future Memory and Storage Summit (FutureMemoryandStorage), anciennement Flash Memory Summit (FlashMemorySummit) principalement destiné aux fournisseurs de NAND, dans le contexte de l'attention croissante portée à la technologie de l'intelligence artificielle, cette année a été rebaptisée Future Memory and Storage Summit (FutureMemoryandStorage) pour invitez les fournisseurs de DRAM et de stockage et bien d’autres joueurs. Nouveau produit SK hynix lancé l'année dernière
