OpenAI ได้เปิดตัว Whisper ซึ่งเป็นโมเดลภาษาสำหรับการรู้จำเสียงพูด (Speech Recognition) ที่มีความสามารถสูง
โมเดลนี้ถูกพัฒนาขึ้นโดยใช้ประโยชน์จากชุดข้อมูลเสียงขนาดใหญ่ ทำให้สามารถทำงานได้อย่างมีประสิทธิภาพและแม่นยำสูง
สำหรับงานวิจัยและอ้างอิง โมเดลนี้มีรากฐานมาจากงานวิจัยด้าน SpeechStew, Galvez และ Gigaspeech ซึ่งเป็นชุดข้อมูลเสียงขนาดใหญ่ที่ใช้ในการฝึกฝนโมเดล
ผู้ที่สนใจสามารถศึกษาเอกสารอ้างอิงต้นฉบับเพื่อทำความเข้าใจถึงพื้นฐานทางวิศวกรรมของ Whisper ได้อย่างละเอียด
เอกสารอ้างอิง
งานวิจัยที่เกี่ยวข้องกับการฝึกฝนโมเดลและการใช้ชุดข้อมูลเสียงขนาดใหญ่เพื่อการรู้จำเสียงพูด
เอกสารเหล่านี้แสดงถึงรากฐานทางวิชาการที่นำมาใช้ในการพัฒนา Whisper
ศัพท์ที่ควรรู้
- Speech Recognition – การรู้จำเสียงพูด คือกระบวนการที่คอมพิวเตอร์แปลงคลื่นเสียงพูดให้เป็นข้อความตัวอักษร
- Neural Network – โครงข่ายประสาทเทียม คือแบบจำลองทางคณิตศาสตร์ที่เลียนแบบการทำงานของสมองในการประมวลผลข้อมูล
- arXiv preprint – คือการเผยแพร่เอกสารทางวิชาการฉบับร่างบนเซิร์ฟเวอร์ arXiv ก่อนการตีพิมพ์อย่างเป็นทางการ
ที่มา: OpenAI