Mozilla hat Deep Speech 0.7.0 veröffentlicht. Die quelloffene Speech-to-Text-Engine von Mozilla ergänzt unter anderem einen neuen Transfer-Learning-Ansatz.
Die Deep-Speech-Software von Mozilla ist Open Source und orientiert sich an einer Forschungsveröffentlichung von Baidu, die Mozilla in TensorFlow Lite implementiert hat. Deep Speech übersetzt englische Sprache in geschriebenen Text und lässt sich so beispielsweise einsetzen, um schriftliche Kopien von Vorträgen oder Protokolle anzufertigen.
Als Trainingsmaterial dienen dabei verschiedene Quellen in amerikanischem Englisch, darunter 1700 Stunden Material eines amerikanischen Universitätsradiosenders sowie Fisher, LibriSpeech, Switchboard und Common Voice English. Letztere Daten stammen von Mozilla selbst und liegen auch in deutscher Sprache vor. Dabei sind Installation und Einsatz von Deep Speech ausführlich dokumentiert.
Effizientere Spracherkennung
Version 0.7.0 ist nicht rückwärtskompatibel zum Vorgänger. Wer die Software aktualisiert, muss neben dem Code auch die Modelle updaten. Dabei gibt es zwei akustische Modelle: “deepspeech-0.7.0-models.pbmm” sowie “deepspeech-0.7.0-models.tflite”. Das erste arbeitet mit Memory-Mapping, ist speichereffizienter und lädt schneller. Das zweite funktioniert für TensorFlow Lite, erlaubt eine Quantisierung nach dem Training, um das Modell in ressourcenbeschränkteren Umgebungen zu verschlanken.
Daneben bringt Deep Speech ein paar Verbesserungen mit. Sample DBs ist ein neues Format für Trainingsdaten, welche die Trainingsgeschwindigkeiten beschleunigen. Zudem bringt Deep Speech nun Support für Transfer Learning mit, das es erlaubt, funktionierende Modelle aus ähnlichen Bereichen einfach anzupassen anstatt das Training von Null neu zu starten. Des Weiteren ist der Trainingscode von Deep Speech nun einfacher installierbar, es gibt Support für TypeScript, ElectronJS 8.0 und Multistream-Support für .NET. Weitere Details stehen in den Release Notes auf Github.
