Scriptur by Speech Lab распознает
әдеттегі сөйлеу жағдайларында қазақ, орыс және қазақ-орыс сөйлеу тілдерін таниды.
Тірі сөйлеуде тілдер үнемі араласады. Сөз тіркестері үзіледі, сөздер жұтылады, сұхбаттасушылар бір-бірінің сөзін бөледі. Адамдар ережелер туралы ойланбастан және технологияға бейімделусіз әдеттегідей сөйлейді.
Scriptur by Speech Lab дәл осындай әңгімелерге арналған. Модель сөйлеуді "түзетуге" немесе оны стандартты шеңберге қоюға тырыспайды —оның орнына нақты тілдік тәртіпке бейімделеді.
Code-switching
Қазақ-орыс сөйлеу тілдерін мазмұнды жоғалтусыз бір сөйлем ішінде дұрыс таниды
Диалог құрылымы
Сөйлесу логикасын және әдеттегі сөйлесу ағынын сақтайды
Нәтижесінде транскрипция машиналық журнал сияқты емес, қалыпты әңгіме сияқты көрінеді. Мәтінді қосымша өңдеусіз аналитика, оқыту немесе мұрағаттау үшін бірден пайдалануға болады.
Тірі деректерде оқыту
Модель негізінде - 10 000 сағаттан астам нақты сөйлесулерді талдау. Бұл кәсіби дикциясы бар студиялық жазбалар емес, олардың барлық ерекшеліктерімен нақты диалогтар:
- Байланыс сапасы әртүрлі байланыс орталықтарының қоңыраулары
- Қазақ тілінің әртүрлі екпіндері мен диалектілері
- Нашар байланыс, фондық шу және телефондық компрессия
- Эмоциялықсөйлеу, жылдамқарқын, кідірістер және толтырғыштар
Оқыту кезінде телефон желілеріне тән бұрмаланудың 42 түрі ескерілді. Сондықтан модель қиын жағдайларда — басқа жүйелер дәлдігін жоғалта бастайтын шарттарда тұрақты жұмыс істейді.
Жылдам әрекет және тұрақтылық
Егер жүйе жүктемені көтере алмаса немесе жауапты кешіктірсе, танудың жоғары дәлдігі пайдасыз болады. Scriptur by Speech Lab өнеркәсіптік пайдалану үшін жобаланған:
Секунд аудио - 1 секундта
Өнімділік қорымен нақты уақыт режимінде өңдеу
Uptime
Жоғары жүктеме мен ең жоғары мәндердегі тұрақты жұмыс
Аздап тарихтан
Speech Lab бойынша жұмыс қарапайым міндеттен басталды — қазақ тілін тануды шынымен сенімді ету. 2018 жылы нарықта телефон қоңыраулары жағдайында жанды қазақ тілімен тұрақты жұмыс істейтін шешімдер болмады.
Kazdream командасы нөлден бастады: жеке деректер жиынтығын жинады, мыңдаған сағаттық аудионы қолмен белгіледі, әр гипотезаны нақты қоңырауларда тексерді. Модельдің алғашқы нұсқалары жігерлендіретін нәтижелер көрсетті, бірақ команда өнеркәсіптік сапаға дейін модельді жетілдіруді жалғастырды.
Бүгінгі таңда Scriptur by Speech Lab қазақ тілінде 92% және орыс тілінде 95% дәлдікке қол жеткізді — бұл оны аймақтағы осы тілдер үшін ең жақсы модельдердің біріне айналдыратын нәтижелер.
2018 — Алғашқы эксперименттер
Деректерді жинау, негізгі ASR-тәсілдерді сынау, команда және жобаның пайымын құру
2019 — Алғашқы прототип
Қазақстандық компаниялармен пилоттық жобаларды іске қосу, кері байланыс жинау, датасетті кеңейту
2021 — Құрылымдық ауысу
Conformer құрылымына көшу, аралас сөйлеу жұмысын жақсарту, дәлдікті арттыру
2023 — Өнеркәсіптік сапа
Whisper және LLM-кейінгі өңдеу интеграциясы, еnterprise-тұрақтылық деңгейіне қол жеткізу
2025 — Масштабтау
Көрсеткіштердің барлық түрлерін жақсарту, ірі ұйымдарға орналастыруға дайындық, тілдік қолдауды кеңейту, on-premises нұсқалары
Уақыт өте келе құрылым Conformer және Whisper негізіндегі заманауи модельдерге ерте ASR-тәсілдерден дамыды. Әрбір итерация дәлдікті ғана емес, сондай-ақ адамдардың қалай сөйлейтінін түсінуді де жақсартты — үзілістермен, кідірістермен, эмоциялармен және тілдердің араласуымен.
Бүгін Speech Lab - бұл жаңа деректер мен пайдалану сценарийлері жинақталған сайын жетілдіруді жалғастыратын жетілген технология. Команда пайдаланушылардан үнемі кері байланыс жинайды, күрделі жағдайларды талдайды және модельдің мүмкіндіктерін кеңейтеді.
Scriptur by Speech Lab туралы қызық фактілер
Технологияның артында жылдар бойы зерттеу, жүздеген эксперименттер және мыңдаған сағаттық жұмыс бар. Міне, модельдің қалай жасалғанын және оны ерекше ететін бірнеше фактілер.
Дикторлар емес, нақты әңгімелер
Оқыту деректерінің басым бөлігі - олардың барлық ерекшеліктерімен нақты диалогтардың жазбалары: кідірістер, толтырғыштар, үзілістер, эмоциялар. Мінсіз студиялық жазбаларсыз.
Бұрмалаудың 42 түрі
Модель телефон желілерінде кездесетін бұрмаланудың 42 түрін ескере отырып оқытылды: кодектерді қысудан жаңғырық пен фондық шуға дейін.
Code-switching норма ретінде
Тілдерді араластыру ерекшелік немесе қате ретінде қарастырылмайды — бұл жобалау кезеңіне енгізілген модельдің негізгі жұмыс режимі.
Қазақ тілі алғашқы нұсқалардан бастап
Құрылым қазақ тіліне сәйкес ең алғашқы нұсқалардан бастап оңтайландырылып, әмбебап модельден кейін бейімделмеген.
Датасетті дамыту
Жұмыс істеген жылдары команда қазақ тіліндегі ең ірі датасеттердің бірін жинады. Әрбір жаңа жазба оқу үлгісіне кірмес бұрын сапаны тексерудің бірнеше кезеңдерінен өтеді.
Датасет әр түрлі диалектілерді, жас топтарын, әлеуметтануларды және кәсіби жаргондарды қамтиды. Бұл модельге әр түрлі адамдардың сөйлеу тілімен сенімді жұмыс істеуге мүмкіндік береді.
Scriptur by Speech Lab