Алгоритмы распознавания речи

Hertz-dev 8.5B

Hertz-dev - это мощная 8.5B модель для работы с аудио с открытым исходным кодом.

Hertz-dev создан на основе 20 миллионов уникальных часов высококачественных аудиоданных.

Hertz-dev - это базовая модель, без тонкой настройки, RLHF.

Транскрибаторы уволены? Нашла крутой сервис для расшифровки: русскоязычный, без VPN

RevAI, лидер в области профессиональной транскрипции английской речи выпустила в открытый доступ фреймdорк Reverb (https://github.com/revdotcom/reverb) и набор моделей для построения конвейера speech-to-text.

VK Видео внедрил новые алгоритмы искусственного интеллекта для автоматического распознавания речи и синтеза субтитров в роликах, шоу, клипах и другом контенте.

Точность анализа и расшифровки выросла на 25%, кроме того, нейросети теперь знают тысячи новых слов, включая мемы, имена собственные, акронимы и профессиональные термины.

Модель основана на Whisper от OpenAI и обучена на большом наборе данных разнообразного аудио.

- 70-кратная транскрипция в реальном времени с помощью Whisper large-v2

- Требуется <8 ГБ памяти GPU для big-v2 с beam_size=5

- Точные временные метки на уровне слов с помощью выравнивания wav2vec2

В головном офисе VK в Москве прошел финал Всероссийского инженерного конкурса (ВИК), на котором магистрант института фундаментального образования УрФУ Борис Бредихин защитил свою работу — он занял первое место и получил денежный приз.

Zyda – это открытый датасет объемом 1.3 триллиона токенов от команды Zyphra, предназначенный для обучения больших языковых моделей. Zyda включает в себя данные из open source датасетов, таких как RefinedWeb, Starcoder, C4, Pile, подвергнутые тщательной фильтрации и дедупликации.

Ключевые особенности Zyda

Новая нейросеть распознаёт эмоции человека во время диалога. Это позволит бизнесу лучше анализировать телефонные разговоры, адаптировать работу колл-центров под каждого клиента и оперативно реагировать на внештатные ситуации.

Ученые представили виртуального помощника Melvin, который дает возможность запрашивать разнообразную информацию по геномике рака голосом! ?

Транскрибация — процесс преобразования (расшифровка) аудио или видео в текст.

Запись речи является одним из наиболее распространенных способов сохранения информации. Процесс преобразования речи или звуковых записей в письменную форму, играет важную роль в улучшении доступности, поиске и обработке информации.

Whisper-V3 / Consistency Decoder

Improved decoding for stable diffusion vaes.

Многие упустили из виду, что на Dev Day компания OpenAI выложила в открытый доступ сразу две модели, и на них стоит обратить внимание.

24 сентября — Международный день глухих. В Лаборатории Сенсор-Тех помогают людям с нарушенным слухом и создают для них разнообразные проекты. Одно из таких — устройство распознавания речи «Чарли».

Vosk — автономный модуль для распознавания речи с открытым исходным кодом. Поддерживает модели распознавания речи для 18 языков включая русский.

Автоматическое распознавание речи: как это работает и нам это помогает? ИИ в действии!

Искусственный интеллект и автоматическое распознавание речи находят все большее применение в повседневной жизни. Мы все уже привыкли пользоваться благами, которые обеспечивают нам технологии:

Видео: Распознавание речи в Unity. Голосовой ассистент. Управление игрой голосом. Vosk утилита

Голосовой помощник, управление игрой голосом - всё это теперь возможно!

Автор: Dronsan - Уроки по Unity

Математическую модель распознавания речи, превосходящую аналоги по отдельным параметрам в несколько раз, создали ученые ТУСУРа. Разработка может стать основой комплексной системы цифровой идентификации личности, а также позволит легче управлять "умной" техникой с помощью голоса.

С миллионами часов голосовых и звуком «ъ».

Распознавание голоса — и сбор данных — в последние годы пережили настоящий бум. Исследователи выясняют, как защитить вашу частную жизнь.

Преобразование Фурье – одно из базовых понятий в обработке сигналов и анализе данных. Но что оно означает? Геометрическая интерпретация.

Возьмём классическую задачу – работу со звуком. Теперь добавим конкретики.

Это туториал по использованию библиотеки pocketsphinx на Python. Надеюсь он поможет вам
побыстрее разобраться с этой библиотекой и не наступать на мои грабли.

giphy.com

Федор Беломоев из Санкт-Петербурга изобрел устройство, которое заменяет слепоглухим людям слух и голос.

Из статьи вы узнаете, что такое глубинное обучение. Также статья содержит множество ресурсов, которые вы сможете использовать для освоения этой области.

Издание Harvard Business Review опубликовало колонку создателя подразделения Google Brain и основателя сервиса онлайн-обучения Coursera Эндрю Ына о том, на что способны и не способны современные технологии искусственного интеллекта. Редакция vc.ru публикует адаптированный перевод материала.

Microsoft / Youtube

Компания Microsoft усовершенствовала систему распознавания устной речи, работа которой основана на использовании нейросетей. Теперь система делает меньше ошибок, чем профессиональный специалист по набору текста. Статья ученых, описывающая программу, выложена на сервере препринтов ArXiv.

Введение в распознавание образов

1. Введение в распознавание образов

Лекция является введением в теорию распознавания образов. В ней раскрываются вопросы параметризации, нормализации, классификации и т.д.

2. Введение в распознавание речи