Modelo ng Wika ng Google AI: Higit sa 300 Wika ang Magagamit

Universal Speech Model ng Google (USM) ay pinalawak ang suporta sa wika nito sa mahigit 300 wika, isang kahanga-hangang milestone na naglalapit sa higanteng paghahanap sa pinakahuling layunin nitong magtrabaho sa 1,000 wika. Ang anunsyo na ito ay resulta ng pangako ng kumpanya na bumuo ng isang machine learning model na sumasaklaw sa maraming wika hangga't maaari.

Ang USM, isang karaniwang encoder-decoder architecture, ay gumagamit ng Conformer para kunin ang log-mel spectrogram ng mga speech signal bilang input at magsagawa ng convolutional sub-sampling. Ang modelo ay may dalawang bilyong parameter at sinanay sa 12 milyong oras ng pagsasalita at 28 bilyong pangungusap ng teksto. Sa mas simpleng termino, GooglePaunang sinanay ng mga mananaliksik ang modelo sa isang malaking walang label na dataset ng multilingual at pinino ito sa isang mas maliit na hanay ng may label na data.

Ang diskarte na ito ay mas epektibo kaysa sa mga naunang diskarte, at ang modelo ay ginagamit na ng YouTube upang bumuo ng mga closed caption para sa mga under-resourced na wika tulad ng Amharic, Cebuano, Assamese, at Azerbaijani, bukod sa iba pa. Nakamit ng USM mas mababa sa 30% na rate ng error sa salita sa average sa 73 mga wika sa YouTube.

Kumpara sa Ang modelo ng Whisper ng OpenAI, ang USM ay may medyo mas mababang rate ng error sa salita para sa mga 18 wika. Gayunpaman, kailangang pagbutihin ang kahusayan sa pagkalkula upang mapalawak ang parehong saklaw ng wika at kalidad upang makamit ang matayog na layunin ng kumpanya.

Sa konklusyon

Ang USM ng Google ay isang kahanga-hangang gawa ng machine learning na nagtatakda ng pamantayan para sa natural na pagproseso ng wika. Sa lumalawak nitong suporta sa wika, ang modelo ay patuloy na magtutulak ng pagbabago at magbibigay-daan sa accessibility para sa mga wikang kulang sa mapagkukunan sa buong mundo.