ქართული მეტყველების ამოცნობა სატელეფონო ზარებისთვის
ჩვენ ვქმნით ქართული მეტყველების ამოცნობის სტრიმინგ მოდელს სატელეფონო აუდიოსთვის: ქოლ-ცენტრების, ბანკების, IVR-ისა და ხმოვანი აგენტების 8 kHz ვიწროზოლოვანი ხმისთვის. მოდელი თქვენს ინფრასტრუქტურაში მუშაობს, ამიტომ აუდიო თქვენს გარემოს არ ტოვებს.
სტატუსი: დამუშავების პროცესშია · მოდელი ტრენინგზეა · ადრეული წვდომის სია ღიაა
პრობლემა: ქართული ტელეფონში
მეტყველების ამოცნობა ბევრი ენისთვის უკვე კარგად მუშაობს, მაგრამ ქართული სატელეფონო აუდიო კვლავ რთულ შემთხვევად რჩება. ზოგადი დანიშნულების მოდელები ძირითადად ფართოზოლოვან ჩანაწერებსა და დიდ ენებზეა გაწვრთნილი. რეალურ ქართულ ზარებზე ისინი იმდენ შეცდომას უშვებენ, რომ პრაქტიკაში გამოუსადეგარია.
ვიწროზოლოვანი აუდიო
სატელეფონო ხაზი 8 kHz აუდიოს ატარებს. 4 kHz-ზე მაღალი სიხშირეები იკარგება, მათ შორის დეტალები, რომლებიც ისეთ ბგერებს განასხვავებს, როგორიცაა ს/შ ან ც/ჩ.
რეალური არხები
კოდეკები, პაკეტების დაკარგვა, ფონური ხმაური, ექო და ერთმანეთზე გადაფარული საუბარი სიგნალს კიდევ უფრო აუარესებს.
რეალური საუბარი
აბონენტები ქართულში რუსულ და ინგლისურ სიტყვებს ურევენ, ასახელებენ ციფრებს, სახელებსა და მისამართებს, რომელთა სწორად ამოცნობა ყველაზე მნიშვნელოვანია.
რას ვქმნით
სტრიმინგი
შუალედური ტრანსკრიპტი ჩნდება, სანამ აბონენტი ჯერ კიდევ ლაპარაკობს, ამიტომ ხმოვან აგენტებსა და ლაივ ინსტრუმენტებს დროულად რეაგირება შეუძლიათ.
ტელეფონია პირველ რიგში
მოდელი რეალურ 8 kHz სატელეფონო მეტყველებაზეა დამატებით გაწვრთნილი და არა ფართოზოლოვანი აუდიოდან ბოლო მომენტში მორგებული.
დახურული განთავსება
მუშაობს თქვენს სერვერებზე ან თქვენს ღრუბლოვან ანგარიშში. აუდიო და ტრანსკრიპტები თქვენთან რჩება.
ერთი ფოკუსი
მხოლოდ ქართული და მხოლოდ ტელეფონია. ჩვენ არ ვართ ზოგადი დანიშნულების პლატფორმა.
სად ვართ ახლა
Graey კვლევისა და განვითარების ადრეულ ეტაპზეა. მოდელი NVIDIA NeMo-ზე ტრენინგის პროცესშია. საჯარო ვერსია, კლიენტები და გამოქვეყნებული სიზუსტის შედეგები ჯერ არ გვაქვს. შეფასების შედეგებს მაშინ გავაზიარებთ, როცა მათ რეალურ, ტრენინგისგან გამოყოფილ ქართულ სატელეფონო აუდიოზე გავზომავთ.
ძირითადი ფაქტები
მოკლე შეჯამება, რომლის ციტირებაც შეგიძლიათ.
- რა არის
- ქართული მეტყველების ამოცნობა (STT / ASR) სტრიმინგ რეჟიმში
- ენა
- ქართული
- აუდიო
- 8 kHz ვიწროზოლოვანი სატელეფონო აუდიო
- რეჟიმი
- სტრიმინგი დაბალი დაყოვნებით, შუალედური და საბოლოო ტრანსკრიპტებით
- განთავსება
- კლიენტის სერვერებზე (on-prem) ან კლიენტის საკუთარ ღრუბელში; აუდიო კლიენტის გარემოს არ ტოვებს
- ტექნოლოგია
- NVIDIA NeMo, cache-aware streaming FastConformer, სატელეფონო მეტყველებაზე დამატებით გაწვრთნილი
- ეტაპი
- დამუშავების პროცესშია. მოდელი ტრენინგზეა. საჯარო ვერსია და გამოქვეყნებული შედეგები ჯერ არ არის. ადრეული წვდომის სია ღიაა.
- კომპანია
- Graey, თბილისი, საქართველო. დაარსდა 2020 წელს.
- კონტაქტი
- info@graey.ge
მუშაობთ ქართულ სატელეფონო აუდიოსთან?
ჩაეწერეთ ადრეული წვდომის სიაში. როცა მოდელი ტესტირებისთვის მზად იქნება, ვგეგმავთ დავიწყოთ ქოლ-ცენტრების, ბანკებისა და ხმოვანი აგენტების გუნდების მცირე ჯგუფით, მათსავე აუდიოზე.