BharatGenAI çok dilli konuşma tanıma modeli Shrutam-2'yi sundu

BharatGenAI ekibinden geliştiriciler, Shrutam-2 adlı otomatik konuşma tanıma (ASR) modelinin ikinci sürümünü yayınladılar. Sistem, 12 Hint dili için ses akışlarını işleme amacıyla tasarlandı ve çok dilli bir ortamda yüksek transkript doğruluğu sağlıyor.

Modelin mimarisi LLM ilkelerine dayanmaktadır ve özel bir Mixture-of-Experts (MoE) projesi kullanır. Bu yaklaşım, Hindistan'ın bölgesel dillerine özgü çeşitli dilbilimsel yapıları işlerken hesaplama kaynaklarını etkili bir şekilde dağıtmayı sağlar. Model, test veri setinde 2 saatlik işleme süresiyle iç kalite ölçütüne göre 24 puanlık bir sonuç göstermektedir.

Proje, Hugging Face platformunda indirilmeye hazır durumda. Shrutam-2 kullanım hakkı ticari olmayan lisans ile sınırlıdır, bu da teknolojinin yalnızca araştırma veya eğitim amaçlarıyla kullanılacağı anlamına gelir. Geliştiriciler, konuşma işleme yerel konveyörlerine entegrasyon için model ağırlıklarına erişim sağladılar.

Modelin yayınlanması, düşük kaynaklı diller için araç setini genişletiyor; burada standart küresel ASR çözümleri genellikle yetersiz kalabiliyor. Konuşma tanıma görevlerinde MoE mimarisine geçmek, sistem performansını optimize etmenin yanı sıra parametre sayısını katlamadan bunu başarmayı mümkün kılar; bu, özel donanımda dağıtmak için kritik öneme sahiptir.