ESPnet ha rilasciato un modello di riconoscimento del linguaggio cinese basato sull'architettura Conformer

Il team ESPnet ha presentato un nuovo modello per il riconoscimento automatico della parlata (ASR), ottimizzato per l'elaborazione della lingua cinese. Il sistema è basato sull'architettura Conformer e ha subito un addestramento su un set di dati di grandi dimensioni WeNetSpeech.

Il modello mostra tassi di errore WER (Word Error Rate) compresi tra 13,4% e 68,0% a seconda del tipo di set di dati di test. L'addestramento del sistema ha richiesto 1 ora su un cluster di calcolo specializzato, il che ha permesso di raggiungere una valutazione di 12 punti secondo la metrica interna del progetto.

La soluzione è orientata alle attività di trascrizione e di elaborazione dei flussi audio in lingua cinese. L'utilizzo dell'architettura Conformer garantisce un equilibrio tra le dipendenze locali e globali nel segnale audio, il che è fondamentale per il riconoscimento preciso delle lingue tonali.

Il modello è disponibile per l'integrazione nell'ambito dell'ecosistema ESPnet2, che fornisce strumenti per la creazione di sistemi di riconoscimento e sintesi della parlata. Gli sviluppatori possono utilizzare i pesi pre-addestrati per l'addestramento su domini specifici o per il deploy di servizi di trascrizione pronti all'uso.