ქართული მეტყველების ამოცნობა ვიწროზოლოვანი სატელეფონო აუდიოსთვის

სტრიმინგ არქიტექტურა

ჩვენ ვეყრდნობით NVIDIA NeMo-ს და მის cache-aware streaming FastConformer არქიტექტურას. FastConformer არის Conformer ენკოდერის ეფექტური ვარიანტი. მისი სტრიმინგ ვერსია აუდიოს ფიქსირებული ზომის ნაწილებად ამუშავებს და წინა ნაწილების შენახულ აქტივაციებს ხელახლა იყენებს, ნაცვლად მათი თავიდან გამოთვლისა.

ეს დაყოვნებას დაბალსა და პროგნოზირებადს ხდის, ხოლო მოდელი ტრენინგისა და რეალური გამოყენების დროს ერთნაირად იქცევა.

• ნაწილებად დამუშავება შეზღუდული წინსვლით (look-ahead): ტექსტი ჩნდება, სანამ მოსაუბრე ჯერ კიდევ ლაპარაკობს.
• ნაწილის ზომა და look-ahead განსაზღვრავს ბალანსს დაყოვნებასა და სიზუსტეს შორის.
• შუალედური ჰიპოთეზები ლაივ გამოყენებისთვის, საბოლოო ჰიპოთეზები არქივისა და ანალიტიკისთვის.

მონაცემებისადმი მიდგომა

• სატელეფონო მეტყველება

  მოდელს რეალურ სატელეფონო მეტყველებაზე ვწვრთნით, რადგან სწორედ ამ აუდიოს მოისმენს ის რეალურ გარემოში.

• მხოლოდ თანხმობით მიღებული ჩანაწერები

  ვიყენებთ მხოლოდ იმ ჩანაწერებს, რომელთა გამოყენების უფლებაც გვაქვს და რომლებიც ჩაწერილი ადამიანების თანხმობით შეგროვდა. კერძო ზარების ჩანაწერებს არ ვაგროვებთ ინტერნეტიდან და არ ვყიდულობთ.

• ცალკე შეფასება

  შესაფასებელი ნაკრებები რეალური ზარებიდანაა და ტრენინგის მონაცემებისგან განცალკევებით ინახება.

კონფიდენციალურობა განთავსების გზით

Graey თქვენს გარემოში მუშაობს: თქვენს სერვერებზე ან თქვენს ღრუბლოვან ანგარიშში. აუდიო და ტრანსკრიპტები იქვე რჩება და ჩვენთან არაფერი იგზავნება. კლიენტის აუდიოს ტრენინგისთვის არ ვიყენებთ, თუ კლიენტი ამაზე წერილობით არ დაგვთანხმდება.

სიზუსტე და ბენჩმარკები

სიზუსტის შედეგები ჯერ არ გამოგვიქვეყნებია. როცა გამოვაქვეყნებთ, წარმოვადგენთ სიტყვების შეცდომის მაჩვენებელს (WER) რეალურ ქართულ სატელეფონო აუდიოზე და აღვწერთ სატესტო ნაკრებს და მისი შეგროვების გზას. მანამდე ნებისმიერი რიცხვი მხოლოდ ვარაუდი იქნებოდა.