चर्चा में क्यों?
शोधकर्ताओं ने 65 भारतीय भाषाओं और बोलियों को कवर करने वाला एक खुला स्वचालित वाक् पहचान मॉडल, श्रवाणी 1.0 जारी किया।
मॉडल क्या करता है
स्वचालित वाक् पहचान बोले गए ऑडियो को टेक्स्ट में बदल देती है। श्रवाणी को भारत की बहुभाषी और कम-संसाधन वाली सेटिंग के लिए डिज़ाइन किया गया था।
अनुसंधान दल ने फास्टकन्फॉर्मर आर्किटेक्चर और एक हाइब्रिड डिकोडिंग सिस्टम का उपयोग किया। मॉडल में लगभग 430 मिलियन पैरामीटर शामिल हैं।
प्री-ट्रेनिंग में 105 भाषाओं में बिना लेबल वाले वाणी वाक् के 31,255 घंटों का उपयोग किया गया। फाइन-ट्यूनिंग में 65 प्रकारों में लगभग 31,263 घंटों का उपयोग किया गया।
एक मध्यवर्ती चरण ने युग्मित छवियों के साथ भाषण को संरेखित किया। शोधकर्ताओं का इरादा सिमेंटिक प्रतिनिधित्व को मजबूत करना था।
डेटा और मूल्यांकन
वाणी एक भारतीय विज्ञान संस्थान और आर्टिफिशियल इंटेलिजेंस एंड रोबोटिक्स टेक्नोलॉजी पार्क पहल है। यह बाद वाला संस्थान आर्टपार्क नाम का उपयोग करता है। वाणी केवल स्टूडियो रिकॉर्डिंग पर निर्भर रहने के बजाय जिला स्तर पर वाक् एकत्र करता है।
पेपर ने आठ बेंचमार्क पर श्रवाणी का मूल्यांकन किया। इसने कई भाषा-और-डेटासेट संयोजनों पर मजबूत परिणाम प्रस्तुत किए।
वर्ड एरर रेट संदर्भ पाठ के खिलाफ सम्मिलन, विलोपन और प्रतिस्थापन को मापता है। कम मूल्य आमतौर पर बेहतर ट्रांसक्रिप्शन का संकेत देते हैं।
प्रदर्शन सभी भाषाओं में व्यापक रूप से भिन्न होता है। मॉडल कार्ड खुले तौर কুল मिलाकर इस भिन्नता को असमान फाइन-ट्यूनिंग डेटा से जोड़ता है।
जारी किया गया मॉडल हाफ-प्रिसिजन रूपांतरण के बाद लगभग 900 मेगाबाइट का है। व्यावहारिक तैनाती के लिए अभी भी उपयुक्त कंप्यूटिंग हार्डवेयर की आवश्यकता है।
कवरेज समान गुणवत्ता नहीं है
मॉडल में दिखाई देने वाली भाषा हर उच्चारण, डोमेन या शोर वाली सेटिंग के लिए विश्वसनीय ट्रांसक्रिप्शन की गारंटी नहीं देती है।
सार्वजनिक मूल्य और सुरक्षा उपाय
बेहतर स्थानीय-भाषा पहचान स्वास्थ्य, शिक्षा, पहुंच और नागरिक सेवाओं का समर्थन कर सकती है। यह मालिकाना मॉडल पर निर्भरता को भी कम कर सकता है।
ओपन वेट्स परीक्षण और अनुकूलन को सक्षम करते हैं। प्रवेश की शर्तें, गणना की ज़रूरतें और लाइसेंसिंग अभी भी व्यावहारिक खुलेपन को आकार देते हैं।
वाक् डेटा पहचान, स्थान और संवेदनशील जानकारी को उजागर कर सकता है। इसलिए संग्रह और पुन: उपयोग के लिए सार्थक सहमति और सुरक्षा की आवश्यकता होती है।
तैनाती को भाषा-वार त्रुटि दरों और विफलता के मामलों को प्रकाशित करना चाहिए। कानूनी, चिकित्सा और कल्याणकारी निर्णयों के लिए मानव समीक्षा अभी भी आवश्यक है।
समुदायों को उच्चारण मानकों और डेटासेट सुधार में भाग लेना चाहिए। भाषाई समावेश केवल एक तकनीकी बेंचमार्क नहीं है।
जहाँ इसका उपयोग किया जाएगा वहाँ परीक्षण करें
श्रवाणी एक मूल्यवान आधार है। वास्तविक दुनिया के ऑडिट को बोलियों, शोर, कोड-स्विचिंग और परिणामी त्रुटियों की जांच करनी चाहिए।
निष्कर्ष
यह रिलीज़ भारत के वाक्-प्रौद्योगिकी कॉमन्स को व्यापक बनाती है। इसका सामाजिक मूल्य पारदर्शी मूल्यांकन और समुदाय-नेतृत्व वाले सुधार के माध्यम से बढ़ेगा।