{"id":199,"date":"2022-10-14T18:01:17","date_gmt":"2022-10-14T21:01:17","guid":{"rendered":"https:\/\/itconnect.lat\/portal\/?p=199"},"modified":"2022-10-14T18:01:37","modified_gmt":"2022-10-14T21:01:37","slug":"whisper-00000000000000000000000000000002022","status":"publish","type":"post","link":"https:\/\/itconnect.lat\/portal\/whisper-00000000000000000000000000000002022\/","title":{"rendered":"Whisper 2022: la IA enfocada al reconocimiento de voz"},"content":{"rendered":"
\n
\n
\n
\n

Han capacitado y estan abriendo una red neuronal llamada Whisper que se acerca a la solidez y precisi\u00f3n del nivel humano en el reconocimiento de voz en ingl\u00e9s.<\/span><\/strong><\/h2>\n<\/div>\n<\/div>\n
\n
\n
<\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/header>\n
\n
\n
\n
\n
<\/section>\n
\n
\n

Ejemplos de Whisper:<\/h3>\n<\/div>\n<\/div>\n

Whisper es un sistema de reconocimiento autom\u00e1tico de voz (ASR) entrenado en 680.000 horas de datos supervisados \u200b\u200bmultiling\u00fces y multitarea recopilados de la web.<\/p>\n

Los investigadores muestran que el uso de un conjunto de datos tan grande y diverso conduce a una mayor solidez a los acentos, el ruido de fondo y el lenguaje t\u00e9cnico.<\/p>\n

Adem\u00e1s, permite la transcripci\u00f3n en varios idiomas, as\u00ed como la traducci\u00f3n de esos idiomas al ingl\u00e9s.<\/p>\n

Es un modelo de c\u00f3digo abierto y c\u00f3digo de inferencia que sirven como base para crear aplicaciones \u00fatiles y para futuras investigaciones sobre procesamiento de voz s\u00f3lido.<\/p>\n

\n
\n
\"Whisper\"
Whisper<\/figcaption><\/figure>\n<\/div>\n<\/div>\n

La arquitectura Whisper es un enfoque simple de extremo a extremo, implementado como un transformador codificador-decodificador.<\/p>\n

El audio de entrada se divide en fragmentos de 30 segundos, se convierte en un espectrograma log-Mel y luego se pasa a un codificador.<\/p>\n

Se entrena un decodificador para predecir el subt\u00edtulo de texto correspondiente, entremezclado con tokens especiales que dirigen al modelo \u00fanico para realizar tareas como identificaci\u00f3n de idioma, marcas de tiempo a nivel de frase, transcripci\u00f3n de voz multiling\u00fce y traducci\u00f3n de voz al ingl\u00e9s.<\/p>\n

\n
\n
\"Whisper\"
Whisper<\/figcaption><\/figure>\n<\/div>\n<\/div>\n

Otros enfoques existentes utilizan con frecuencia conjuntos de datos de entrenamiento de audio-texto m\u00e1s peque\u00f1os y emparejados m\u00e1s estrechamente,\u00a01\u00a0<\/sup><\/span>2\u00a0<\/sup><\/span>3<\/sup><\/span>\u00a0o usan entrenamiento previo de audio amplio pero no supervisado.\u00a04\u00a0<\/sup><\/span>5\u00a0<\/sup><\/span>6<\/sup><\/span><\/p>\n

Debido a que Whisper se entren\u00f3 en un conjunto de datos grande y diverso y no se ajust\u00f3 a ninguno espec\u00edfico, no supera a los modelos que se especializan en el rendimiento de LibriSpeech, un famoso punto de referencia competitivo en el reconocimiento de voz.<\/p>\n

Sin embargo, cuando miden el rendimiento de disparo cero de Whisper en muchos conjuntos de datos diversos, encontramos que es mucho m\u00e1s s\u00f3lido y comete un 50 % menos de errores que esos modelos.<\/p>\n

Alrededor de un tercio del conjunto de datos de audio de Whisper no est\u00e1 en ingl\u00e9s, y alternativamente se le asigna la tarea de transcribir en el idioma original o traducir al ingl\u00e9s.<\/p>\n

Encuentran que este enfoque es particularmente efectivo para aprender la traducci\u00f3n de voz a texto y supera al SOTA supervisado en CoVoST2 para la traducci\u00f3n al ingl\u00e9s de tiro cero.<\/p>\n

\n
\n
\"Whisper\"
Whisper<\/figcaption><\/figure>\n<\/div>\n<\/div>\n

 <\/p>\n

Esperamos que la alta precisi\u00f3n y la facilidad de uso de Whisper permitan a los desarrolladores agregar interfaces de voz a un conjunto mucho m\u00e1s amplio de aplicaciones.<\/p>\n

Consulte el\u00a0documento<\/a>\u00a0,\u00a0la tarjeta modelo<\/a>\u00a0y\u00a0el c\u00f3digo<\/a>\u00a0para conocer m\u00e1s detalles y probar Whisper.<\/p>\n