نظام ASSET يقلص بيانات الصوت بنسبة 25 بالمئة لتحسين أداء النماذج اللغوية
إطار عمل جديد يعتمد على التعلم التعزيزي يضغط مسارات الصوت إلى أجزاء أصغر لمنع النماذج اللغوية من التعثر عند معالجة المدخلات الطويلة.
تواجه النماذج اللغوية الضخمة صعوبة في معالجة الملفات الصوتية لأن البيانات الصوتية أطول بكثير من النصوص. حل نظام جديد يحمل اسم ASSET هذه المشكلة عبر ضغط المدخلات الصوتية قبل وصولها إلى النموذج.
يستخدم ASSET التعلم التعزيزي لتقطيع الصوت إلى أجزاء ذات دلالة. وبدلاً من معالجة كل جزء صغير من الصوت، يقوم النظام بتجميع هذه الأجزاء في رموز صوتية مضغوطة.
يحقق ASSET أداءً يضاهي الأنظمة المعتمدة على النصوص مع تقليل الرموز الصوتية بنسبة 25 بالمئة تقريبًا.
من خلال تعليم النظام تحديد المعلومات المهمة، جعل ASSET معالجة الصوت أكثر كفاءة. وفي اختبارات على اللغة الإنجليزية، خفض النظام عدد الرموز الصوتية المطلوبة بنسبة 25 بالمئة تقريبًا دون التأثير على الدقة.
حقق النظام نتائج ممتازة أيضًا في اللغة الصينية، متفوقًا على الطرق القديمة التي كانت تعتمد على حدود ثابتة للأصوات. وقام الباحثون بتكييف الإطار ليعمل في مهام متنوعة تتجاوز مجرد تحويل الكلام إلى نص.
تخيل أنك تحاول قراءة كتاب حيث تفصل بين كل حرف وآخر مسافة ميل كامل؛ من المؤكد أنك ستفقد تركيزك قبل إنهاء الفصل الأول. هل تجعلك هذه التقنية في الضغط أكثر ثقة في قدرة الذكاء الاصطناعي على التعامل مع أصواتنا؟
يقتصر النظام حالياً على بيئات اختبار محددة مثل LibriSpeech وAISHELL. ولم يتم اختباره بعد في تطبيقات استهلاكية واسعة النطاق أو في بيئات صاخبة تعكس ظروف الحياة اليومية.
المصدر: arXiv cs.CL