Google बेहतर सुनता है, खोज आसान है

Google ने घोषणा की कि उन्होंने शोर-शराबे वाले स्थानों में उपयोगकर्ता के भाषण की बेहतर पहचान हासिल करने के लिए अपनी आवाज खोज प्रणाली को अंतिम रूप दिया था।



यह हमेशा सर्वश्रेष्ठ भाषण मान्यता प्रणालियों में से एक रहा है, यह स्मार्टफोन का उपयोग करते समय खोज करने में विशेष रूप से सुविधाजनक है। अब वॉयस सर्च फंक्शन पहले से कहीं अधिक विकसित हो गया है। Google शोध ब्लॉग अद्यतन प्रणाली में किए गए सुधारों की रूपरेखा तैयार करता है।

2012 के बाद से, खोज की दिग्गज कंपनी तीस साल पहले भाषण मान्यता में गॉसियन मिक्स विधि (एमजीएस) का उपयोग करने से दूर हो गई है। नई प्रणालियों ने गहरे तंत्रिका नेटवर्क ( डीप न्यूरल नेटवर्क ) का उपयोग करना शुरू कर दिया । एसटीएस बेहतर पहचान कर सकता है कि उपयोगकर्ता एक निश्चित समय पर क्या लगता है, जिसने मान्यता की सटीकता को बहुत बढ़ा दिया।



अब, Google विशेषज्ञों ने घोषणा की है कि वे ध्वनिक मॉडल का एक और अधिक उन्नत तंत्रिका नेटवर्क बनाने में कामयाब रहे हैं जो कि कनेक्शनवादी लौकिक वर्गीकरण और भेदभावपूर्ण शिक्षण एल्गोरिदम का उपयोग करते हैं । ये मॉडल आवधिक तंत्रिका नेटवर्क के एक विशेष विस्तार का प्रतिनिधित्व करते हैं जो अधिक सटीक होते हैं, विशेष रूप से शोर वातावरण में, और अविश्वसनीय रूप से तेजी से!

पारंपरिक वाक् पहचान में, उपयोगकर्ता द्वारा भरे जाने वाले वॉयस फॉर्म को 10 मिलीसेकंड के निरंतर फ्रेम (सेगमेंट) में विभाजित किया गया था। प्रत्येक फ्रेम में एक आवृत्ति विश्लेषण हुआ और परिणामस्वरूप वेक्टर को विशेषताओं के साथ ध्वनिक मॉडल के माध्यम से पारित किया गया, जैसे कि जीएनएस, जो सभी ध्वनि मैचों के लिए संभावनाएं देते हैं। द हिडन मार्कोव मॉडल (एसएमएम) पहले से प्राप्त लोगों के आधार पर अज्ञात विवरणों को जानने में मदद करता है, इससे संभाव्यता वितरण के इस क्रम के एक प्रकार की संरचना को पेश करना संभव हो जाता है। इस मॉडल को ज्ञान के अन्य स्रोतों के साथ जोड़ा गया है, जैसे कि उच्चारण मॉडल, जो चयनित भाषा और भाषा मॉडल के कुछ शब्दों के साथ ध्वनियों के अनुक्रम को जोड़ता है, जो बदले में व्यक्त करता है कि शब्द चयनित भाषा को कितना संदर्भित करता है।

पहचानकर्ता तब उपयोगकर्ता द्वारा किए गए वाक्य को निर्धारित करने के लिए यह सभी जानकारी समेट लेता है। यदि उपयोगकर्ता कहता है, उदाहरण के लिए, शब्द "संग्रहालय" (mju: 'z ism एक ध्वन्यात्मक रूप है), तो यह निर्धारित करना मुश्किल हो सकता है कि ध्वनि "जे" कब समाप्त होती है और ध्वनि "यू" शुरू होती है। हालांकि, वास्तव में, निर्धारक इस संक्रमण की परवाह नहीं करता है। केवल एक चीज जो उसे परेशान करती है, वह ठीक उसी तरह की आवाज़ है जिसे बोला गया था।

नया बेहतर ध्वनिक मॉडल आवधिक तंत्रिका नेटवर्क (पीएनएस) पर आधारित है। पीएनएस की टोपोलॉजी में, फीडबैक लूप हैं जो आपको समय पर निर्भरता का अनुकरण करने की अनुमति देते हैं। जब उपयोगकर्ता पिछले उदाहरण में / U / का उच्चारण करता है, तो व्यक्ति का आर्टिक्यूलेशन तंत्र आसानी से ध्वनि / J / से ध्वनि / M / सबसे पहले चलता है। "संग्रहालय" शब्द का उच्चारण करने की कोशिश करें, जो लोग अंग्रेजी में धाराप्रवाह हैं, यह मुश्किल नहीं होगा और शब्द एक सांस में आसानी से उच्चारण किया जाएगा, पीएनएस इस क्षण को पकड़ने में सक्षम है।



इस प्रणाली में एक प्रकार का आवधिक तंत्रिका नेटवर्क एक दीर्घकालिक अल्पकालिक स्मृति है, जिसकी मदद से मेमोरी सेल और एक जटिल गेटिंग तंत्र अन्य पीएनएस की तुलना में बेहतर जानकारी को याद रखता है। गेटिंग एक निश्चित समय अंतराल आवंटित करने की एक विधि है जो हस्तक्षेप की पृष्ठभूमि के खिलाफ उपयोगी संकेतों का पता लगाने की संभावना को बढ़ाती है। इस तरह के मॉडल को अपनाने से पहले से ही आवाज की पहचान की गुणवत्ता में काफी सुधार हुआ है।

अगला कदम प्रत्येक फ्रेम के लिए भविष्यवाणी करने के बिना दिए गए भाषण में ध्वनियों (ध्वनियों) को पहचानने के लिए ध्वनिक मॉडल सिखाना था। साहचर्य समय वर्गीकरण वाले मॉडल स्पाइक के अनुक्रम के साथ एक ग्राफ तैयार करते हैं जो प्राप्त संकेत में ध्वनियों के अनुक्रम को प्रदर्शित करते हैं। वे ऐसा तब तक कर सकते हैं जब तक अनुक्रम टूट नहीं जाता।
वास्तव में, Google की वॉइस रिकग्निशन सिस्टम अब उस संदर्भ की जांच कर सकती है जिसमें शब्द बोला गया था, जो कि बैकग्राउंड साउंड से हटकर था।



एक पूरी तरह से अलग सवाल: यह कैसे वास्तविक समय में सभी सुलभ और सुविधाजनक बनाने के लिए? बड़ी संख्या में पुनरावृत्तियों के बाद, Google प्रोग्रामर एकल-स्ट्रीम स्ट्रीमिंग मॉडल बनाने में कामयाब रहे, जो ब्लॉक के साथ आने वाले संकेतों को संसाधित करते हैं जो मानक ध्वनिक मॉडल में ब्लॉक से बड़े होते हैं, लेकिन कम वास्तविक गणना करते हैं। कम्प्यूटेशनल ऑपरेशन की संख्या को कम करने से मान्यता प्रक्रिया में काफी तेजी आती है। इसके अलावा, कृत्रिम शोर और पुनर्संयोजन (ध्वनियों की कृत्रिम कमी) को सिस्टम प्रशिक्षण कार्यक्रम में जोड़ा गया ताकि मान्यता प्रणाली को बाहरी शोर के प्रति अधिक प्रतिरोधी बनाया जा सके। नीचे दिए गए वीडियो में, आप सिस्टम को वाक्य सीखने के लिए देख सकते हैं।



फिर भी, एक और समस्या हल होने के लिए बनी रही: सिस्टम कम पूर्वानुमान पैदा करता है, लेकिन साथ ही वे लगभग 300 मिलीसेकेंड की देरी से होते हैं। सजा पूरी होने के बाद परिणाम को आउटपुट करके, मान्यता स्तर बढ़ गया, लेकिन साथ ही साथ उपयोगकर्ताओं के लिए अतिरिक्त देरी का निर्माण किया गया, जो गोलगप्पे विशेषज्ञों के लिए पूरी तरह से अस्वीकार्य है। समस्या को हल करने के लिए, सिस्टम को पूरा होने से पहले प्रत्येक वाक्यांश के लिए परिणाम का विश्लेषण और उत्पादन करने के लिए प्रशिक्षित किया गया था। इसने पहचान प्रक्रिया को किसी व्यक्ति के उच्चारण की सामान्य दर के साथ अधिक समकालिक बना दिया। उपयोगकर्ता को तब तक इंतजार करने की आवश्यकता नहीं है जब तक कि कार्यक्रम बोले गए वाक्यांश के अपने संस्करण को प्रदर्शित नहीं करता है।

नए ध्वनिक मॉडल पहले से ही Google एप्लिकेशन में ध्वनि खोज और आदेशों के लिए उपयोग किए जाते हैं(Android और iOS पर) और Android उपकरणों पर श्रुतलेख के लिए। नए मॉडल को कम संसाधनों की आवश्यकता होने लगी, परिवेश शोर के प्रति अधिक प्रतिरोधी हो गए और अपने पूर्ववर्तियों की तुलना में बहुत तेजी से परिणाम देने में सक्षम थे। यह उपयोगकर्ता के लिए आवाज खोज को अधिक सुखद बनाता है।

Source: https://habr.com/ru/post/hi384747/