Cactus Compute 16,9 megabaytlık konuşma tanıma modeli Whistle'ı sundu
Öne çıkanlar
- Whistle, 16,9 megabaytlık tek bir dosya ile işlemci üzerinde harici bağımlılık olmadan çalışıyor.
- Model yedi farklı dili destekliyor ve 30 saniyelik sesleri cihaz üzerinde doğrudan metne dönüştürüyor.
- C++ tabanlı motor, Android ve RISC-V dahil 17 farklı hedef mimari için derlenmiş olarak sunuldu.
Cactus Compute ekibi, mobil cihazlar, giyilebilir teknolojiler, robotlar, akıllı ev sistemleri ve mikrodenetleyiciler için geliştirdiği Whistle adlı konuşma tanıma modelini yayımladı. Yalnızca 16,9 megabayt büyüklüğündeki tek bir dosyadan oluşan model, harici bir bağımlılık olmadan doğrudan işlemci üzerinde çalışıyor. Sistem; deşifre, kelime zaman damgaları ve konuşma yerleştirme olmak üzere üç temel işlevi tamamen cihaz üzerinde yerine getiriyor.
Model mimarisi, 16 kHz mono ses girişini işleyen evrişimli bir ön uç, sekiz bloklu bir kodlayıcı ve merdivenli bir kod çözücüden oluşuyor. İngilizce, Almanca, Fransızca, İspanyolca, İtalyanca, Felemenkçe ve Lehçe olmak üzere yedi dili destekleyen sistem, dil tespitini de yerleşik olarak gerçekleştiriyor. Kod çözücü katmanları, ses klibi için tek seferde hesaplanan çapraz dikkat projeksiyonlarını kullanarak beş kirişli arama sürecinde işlem yükünü hafifletiyor.
Ekip, Whistle modelinin LibriSpeech, SPGISpeech ve FLEURS gibi veri kümelerinde Whisper base modeline kıyasla daha yüksek doğruluk sunduğunu açıkladı. Giriş uzunluğuna bağlı olarak ilk belirteç süresi 30 saniyelik seslerde 36,3 milisaniyeye kadar iniyor. Modelin C++ çalışma zamanı motoru; Android, iOS, watchOS, RISC-V, MIPS ve WebAssembly dahil olmak üzere 17 farklı platform için hazır ikili dosyalarla GitHub üzerinde paylaşıldı.
Bu özet yapay zekâ ile hazırlanmıştır; ayrıntılar ve doğrulama için orijinal kaynağa başvurun.