एआई मॉडल और प्लेटफ़ॉर्म

शोधकर्ता स्वचालित वाक् पहचान का विस्तार 2,000 भाषाओं तक करना चाहते हैं

Alex McFarland
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मुख्य बिंदुसीएमयू टीम ने ऑडियो डेटा के बिना 2,000 भाषाओं के लिए वाक् पहचान का लक्ष्य रखा।
और देखें
  • सीएमयू टीम ने ऑडियो डेटा के बिना 2,000 भाषाओं के लिए वाक् पहचान का लक्ष्य रखा।
  • मॉडल अद्वितीय स्वनिम आवश्यकताओं को दरकिनार करने के लिए भाषाओं में साझा ध्वनियों का उपयोग करता है।
  • फ़ाइलोजेनेटिक ट्री मैपिंग हज़ारों भाषाओं के लिए उच्चारण नियमों का अनुमान लगाने में मदद करता है।

कार्नेगी मेलन विश्वविद्यालय में शोधकर्ताओं की एक टीम 2,000 भाषाओं में स्वचालित वाक् पहचान का विस्तार करने की कोशिश कर रही है। वर्तमान में, दुनिया भर में बोली जाने वाली अनुमानित 7,000 से 8,000 भाषाओं में से केवल एक हिस्सा ही आधुनिक भाषा प्रौद्योगिकियों जैसे वॉयस-टू-टेक्स्ट ट्रांसक्रिप्शन या स्वचालित कैप्शनिंग से लाभान्वित हो सकता है।

शिनजियन ली स्कूल ऑफ कंप्यूटर साइंस के लैंग्वेज टेक्नोलॉजीज इंस्टीट्यूट (एलटीआई) में पीएचडी छात्र हैं।

“इस दुनिया में बहुत से लोग विविध भाषाओं में बोलते हैं, लेकिन भाषा प्रौद्योगिकी उपकरण उन सभी के लिए विकसित नहीं किए जा रहे हैं,” उन्होंने कहा। “सभी लोगों के लिए प्रौद्योगिकी और एक अच्छा भाषा मॉडल विकसित करना इस शोध का एक लक्ष्य है।”

ली एक विशेषज्ञों की टीम का हिस्सा हैं जो भाषाओं को एक वाक् पहचान मॉडल विकसित करने के लिए आवश्यक डेटा आवश्यकताओं को सरल बनाने की कोशिश कर रहे हैं।

टीम में एलटीआई के संकाय सदस्य शिंजी वाटानाबे, फ्लोरियन मेट्ज़े, डेविड मॉर्टेंसेन और एलन ब्लैक भी शामिल हैं।

शोध का शीर्षक “एएसआर2के: ऑडियो के बिना लगभग 2,000 भाषाओं के लिए वाक् पहचान” था और इसे इंटरस्पीच 2022 में दक्षिण कोरिया में प्रस्तुत किया गया था।

मौजूदा अधिकांश वाक् पहचान मॉडल पाठ और ऑडियो डेटा सेट की आवश्यकता होती है। जबकि हजारों भाषाओं के लिए पाठ डेटा मौजूद है, ऑडियो के लिए यही बात नहीं है। टीम ऑडियो डेटा की आवश्यकता को समाप्त करने के लिए कई भाषाओं में सामान्य भाषाई तत्वों पर ध्यान केंद्रित करके इसे समाप्त करना चाहती है।

वाक् पहचान प्रौद्योगिकियां आमतौर पर किसी भाषा के स्वनिमों (phonemes) पर ध्यान केंद्रित करती हैं, जो विशिष्ट ध्वनियां हैं जो इसे अन्य भाषाओं से अलग करती हैं। ये प्रत्येक भाषा के लिए अद्वितीय हैं। उसी समय, भाषाओं में स्वन (phones), यानी वास्तविक उच्चारित ध्वनियाँ भी होती हैं, और एक स्वनिम के कई स्वन-रूप हो सकते हैं। जबकि अलग-अलग भाषाओं में अलग-अलग स्वनिम हो सकते हैं, लेकिन अंतर्निहित स्वन समान हो सकते हैं।

टीम एक वाक् पहचान मॉडल पर काम कर रही है जो स्वनिमों पर कम और विभिन्न भाषाओं में साझा स्वनों की जानकारी पर अधिक निर्भर करता है। यह प्रत्येक व्यक्तिगत भाषा के लिए अलग-अलग मॉडल बनाने के लिए आवश्यक प्रयास को कम करने में मदद करता है। मॉडल को एक वंशावली पेड़ के साथ जोड़कर, जो भाषाओं के बीच संबंधों का एक आरेख है, यह उच्चारण नियमों में मदद करता है। टीम के मॉडल और पेड़ संरचना ने उन्हें ऑडियो डेटा के बिना हजारों भाषाओं के लिए भाषण मॉडल को अनुमानित करने में सक्षम बनाया है।

“हम इस ऑडियो डेटा आवश्यकता को हटाने की कोशिश कर रहे हैं, जो हमें 100 से 200 भाषाओं से 2,000 तक ले जाने में मदद करता है,” ली ने कहा। “यह इतनी बड़ी संख्या में भाषाओं को लक्षित करने वाला पहला शोध है, और हम इस दायरे में भाषा उपकरणों का विस्तार करने का लक्ष्य रखने वाली पहली टीम हैं।”

अभी शुरुआती चरण में होने के बावजूद, इस शोध ने मौजूदा भाषा-अनुमान उपकरणों में 5% सुधार किया है।

“प्रत्येक भाषा अपनी संस्कृति में एक बहुत ही महत्वपूर्ण कारक है। प्रत्येक भाषा की अपनी कहानी है, और यदि आप भाषाओं को संरक्षित करने का प्रयास नहीं करते हैं, तो वे कहानियां खो सकती हैं,” ली ने कहा। “इस प्रकार की वाक् पहचान प्रणाली और इस उपकरण को विकसित करना उन भाषाओं को संरक्षित करने का एक कदम है।”

Alex McFarland

Alex Unite.AI के एआई‑संचालित समाचार संचालन का नेतृत्व करते हैं, पत्रकारिता, अनुसंधान और स्वचालन को मिलाकर कृत्रिम बुद्धिमत्ता की समय पर और स्केलेबल कवरेज को समर्थन देते हैं। उनका काम यह सुनिश्चित करने में मदद करता है कि उभरते एआई विकास को प्रभावी ढंग से उजागर किया जाए, जबकि प्रकाशन के संपादकीय मानकों को बनाए रखा जाए।