فیس‌بوک سیستم تشخیص گفتار کانولوشن را معرفی کرد

به گزارش کارگروه فناوری اطلاعات سایبربان؛ وقتی می‌خواهیم در حوزه‌ی زمان، دو سیگنال را در هم ضرب کنیم، همانند روش معمولی ضرب ریاضی اقدام می‌کنیم. ولی در حوزه‌ی فرکانس، برای ضرب دو سیگنال باید ازطریق کانولوشن ۲ سیگنال این عمل را انجام دهیم. کانولوشن (convolution)، یک تکنیک بسیار قدرتمند و کارآمد برای محاسبه پاسخ حالت صفر (یعنی پاسخ به ورودی هنگام شرایط اولیه صفر) یک سیستم به هر ورودی دلخواه با استفاده از پاسخ ضربه است. کانولوشن، خاصیت خطی و جمع آثار (یا برهم‌نهی) دارد. علاوه‌بر این، این رویکرد از سیستم متن بازی به‌نام flashlight، کتابخانه استاندارد ++C برای یادگیری ماشین و نیز ++Wav2letter به‌عنوان سریع‌ترین سرویس پیشرفته تشخیص گفتار سرتاسری یا end-to-end برخوردار است. سیستم تشخیص گفتار سرتاسری به این معنا است که ترجمه‌ای غیرمنفعل و غیرخطی ارائه می‌شود که می‌تواند برای کاربران از جذابیت بالاتری نسبت به ترجمه‌ی واژه‌به‌واژه و بدون توجه به لحن گوینده برخوردار باشد. باتوجه به اینکه هیچ‌گونه توقفی برای انجام فعالیت‌ها و وظایف بعدی در سیستم مبتنی‌بر هوش مصنوعی وجود ندارد، به چنین سیستمی، سرتاسری یا end-to-end گفته می‌شود.

استفاده از رویکردهای سرتاسری باعث افزایش سرعت ترجمه خواهد شد. علاوه‌بر این، باتوجه به اینکه توقفی در حین انجام مراحل ترجمه هم وجود ندارد، از بروز خطاهای متعدد حین ترجمه کاسته می‌شود.

رویکرد تشخیص گفتار کانولوشن چیست؟

این سیستم جدید تشخیص گفتار از نوعی شبکه عصبی بازگشت‌کننده (RNN) برای مدل‌سازی زبانی و آکوستیکی استفاده می‌کند. رویکرد جدید فیس‌بوک در سرویس تشخیص گفتار منحصرا روی شبکه‌های عصبی کانولوشن عمل می‌کند. در این رویکرد، سیستم تشخیص گفتار سرتاسری برای پیش‌بینی کاراکتر بعدی از شکل موج خام سیگنال صوتی آموزش داده می‌شود. رویکرد یادشده از یک مدل زبانی کانولوشن خارجی (external) برای رمزگشایی استفاده می‌کند. در این روش، شبکه‌های عصبی پیچشی (CNN) مدل‌سازی آکوستیکی و مدل‌سازی زبانی را ارتقا می‌دهند و به‌لطف ابزارهایی که به‌طور مشترک استفاده می‌شوند، قابلیت تولید مجدد را دارند. به استثنای این رویکرد مبتنی بر CNN، فیس‌بوک از ++Wav2letter و سیستم فلش‌لایت برای تکمیل رویکرد و ایجاد قابلیت ساخت و تولید مجدد استفاده کرده است.

چگونه کار می‌کند؟

معماری شبکه‌های عصبی پبچشی یک مدل معماری رقیب برای مدل‌هایی است که هم‌اکنون در زمینه‌های مدلسازی زبان، ترجمه‌ی ماشینی و سنتز گفتار یا تبدیل متن به گفتار مورد استفاده قرار می‌گیرند. اگرچه، سیستم تشخیص گفتار سرتاسری هنوز از معماری بازگشت‌کننده برای هر دو بخش متداول مدل‌سازی زبانی و آکوستیکی استفاده می‌کند.

پژوهشگران تیم گفتار هوش مصنوعی فیس‌بوک (FAIR) اولین سیستم تشخیص گفتار کانولوشن را براساس شبکه‌های عصبی پیچشی توسعه داده‌اند. از شکل موج خام سیگنال صوتی تا تولید یک کلمه قابل فهم، تمام بخش‌های یادگیرنده سیستم فقط با لایه‌های کانولوشنی تشکیل شده‌اند. با ظهور این عملکرد از معماری CNN، می‌توان گفت که معماری شبکه عصبی کانولوشن با معماری شبکه عصبی بازگشت‌کننده قابل‌رقابت است.

همچنین تیم گفتار FAIR با همکاری سازندگان Torch و DeepSpeech، موفق به طراحی فلش لایت شدند. فلش لایت یک کتابخانه مستقل ++C برای یادگیری ماشین است. کتابخانه استاندارد ++C یک مجموعه از کلاس‌ها و واسطه‌های رایجی است که تاحد زیادی هسته اصلی زبان ++C را گسترش داده است. از ویژگی‌های آن می‌توان کامپایل هم‌زمان با زبان برنامه‌نویسی مدرن ++C را بیان کرد. این رویکرد هم‌زمان با هدف قرار دادن هر دو پردازنده (CPU) و پردازنده گرافیکی (GPU) سیستم را برای ارائه حداکثر کارایی آماده می‌کند. ++Wav2letter ابزار جدیدی است که بر مبنای فلش لایت ساخته شده و به‌طور کامل با زبان برنامه‌نویسی ++C نوشته شده است. این ابزار جدید از چندین فرمت فایل‌های صوتی مانند wav و flac پشتیبانی می‌کند.

چرا این دستاورد مهم است؟

سیستم تشخیص گفتار سرتاسری مقیاس‌پذیری در زبان‌های مختلف را آسان‌تر می‌کند. همچنین، زمانی‌که کیفیت صدا بسیار متغیر است، یادگیری به‌طور مستقیم از داده‌‎های خام صوتی یک گزینه نویدبخش در بخش تنظیمات است. عملکرد سیستم‌هایی با کارایی بالا مانند ++Wav2letter تکرار سریع را امکان‌پذیر می‌کند که عامل مهمی در موفقیت تحقیقات و مدل مبتنی بر تنظیم دقیق روی مجموعه داده‌ها و تکالیف جدید محسوب می‌شود.