Whisper Large V3

বড় V3

বৃহৎ V3 নেটওয়ার্ক বর্ণনা করুন

বড় ভি৩ হচ্ছে ওপেনএআই (এএসআর) সিস্টেম দ্বারা নির্মিত ওপেন সোর্স-এর স্বীকৃতির তৃতীয় সংস্করণ। এই মডেলটি বিশ্বের ৯৯টি ভাষায় ৬,০০০ ঘন্টা অডিও ডাটার উপর প্রশিক্ষণ লাভ করেছে, যার মধ্যে রাশিয়াও রয়েছে। বড় মাপের প্রশিক্ষণ এবং ট্রান্স-ট্রান্সমিটার স্থাপত্যের জন্য ধন্যবাদ, বড় বড় ভি৩, যেখানে ব্যাকগ্রাউন্ড, উচ্চারণ এবং স্পষ্ট ভাষায় উচ্চারিত শব্দ রয়েছে।

নিউরাল নেটওয়ার্ক দ্রুত-বোপার বা ফিসফিস করার যন্ত্রপাতির মাধ্যমে বিনামূল্যে ব্যবহার করা যাবে। এই মডেলটির উৎস কোড এমটিআই লাইসেন্সের অধীনে খোলা হয়েছে, যার ফলে ডেভেলপাররা কোন বাধা ছাড়াই এটিকে নিজেদের প্রকল্পে সমন্বয় করতে পারবে।

Scrollput রং নির্ধারণ

কে বড় বড় ভি৩ নিউরাল নেটওয়ার্ক?

বিষয়বস্তু নির্মাতা এবং পডকাস্টার

বড় ভি৩ হচ্ছে পডকাস্ট, ভিডিও এবং অডিও রেকর্ডিংয়ের লেখা লেখার একটি চমৎকার হাতিয়ার। ৯৯টা ভাষাকে উচ্চ স্বীকৃতি এবং সমর্থনের জন্য আপনি দ্রুত তৈরি সাবটাইটেল বা সারাংশ তৈরি করতে পারেন।

গবেষক ও শিক্ষক

এই মডেলটি তুরানের সাক্ষাৎকার, বক্তৃতা, সেমিনার এবং বৈজ্ঞানিক আলোচনার জন্য উপযুক্ত। উন্মুক্ত সোর্স কোড এবং স্থানীয় অবস্থানের ক্ষমতা বিশেষ করে গবেষকদের কাছে গুরুত্বপূর্ণ যারা অডিও তথ্য গোপন রেখে কাজ করে থাকে।

নির্মাতা এবং ডেভভিস ইঞ্জিনিয়ার

পাইথন লাইব্রেরীর (দ্রুত-wispers) মাধ্যমে অডিও প্রসেসিং পাইপের মাধ্যমে ভ্লনিযুক্ত বড় ভি-৩) বা সি++ বাস্তবায়ন (wisp)। নির্মাতারা তাদের অ্যাপলিকেশন, ভয়েস ইনপুট সার্ভিস বা চ্যাটবোট-এ প্রদান করতে পারেন।

সাংবাদিক এবং সম্পাদক

সংবাদ সম্মেলনে কয়েক মিনিট সময় নেওয়ার জন্য, টিরানকে সাক্ষাৎকার, অডিও উপাদান সম্পাদনা এবং সম্পাদনা করার জন্য মডেলটি স্বাধীনতা ছাড়া মুক্ত এবং দ্রুত সমাধান প্রদান করে। তৃতীয় অংশ API.

বড় ভি৩ নিউরাল নেটওয়ার্ক কিভাবে ব্যবহার করবে?

দ্রুত-ওয়ালার মাধ্যমে স্থানীয় পরিবহন

বড় বড় ভি৩ চালানো সবচেয়ে জনপ্রিয় উপায় হচ্ছে দ্রুত-শিকার লাইব্রেরি ব্যবহার করা। শুরু করার জন্য pip দ্বারা এটি ইনস্টল করুন:

pip ইনস্টল করুন দ্রুত-শিপার

তারপর মডেল ইম্পোর্ট করুন, বৃহৎ-v3 সংস্করণ লোড এবং কল পাথের দিক দিয়ে অঙ্কিত পদ্ধতি অডিও ফাইল. মডেলটি স্বয়ংক্রিয়ভাবে ভাষাটিকে সনাক্ত এবং প্রতিলিপি তৈরি করবে।

ফিসফিসের মাধ্যমে স্থানীয় স্থাপনা

উইন্ডোজ ব্যবহারকারীদের জন্য এটি ব্যবহার করা উচিত WSL2 বা scliB.cA. বি. বি.এম. এর জন্য। এই C+++ বাস্তবায়নের মাধ্যমে উচ্চ কর্মক্ষমতা ও স্বল্প পরিমাণ মেমরি গ্রহণের সুযোগ প্রদান করা হয়।

API দ্বারা ব্যবহার করা হচ্ছে

OpenIA API (প্রায় প্রতি মিনিটে ০. ৬ ডলার) এর মাধ্যমে বড় বড় ভি৩ সহজলভ্য, একই সাথে গ্রোকে থেকে অবাধ প্রবেশাধিকার পাওয়া যাবে। হুগিং ফেসে, মডেলটিকে স্থানীয় ইনস্টলেশন ছাড়া প্ল্যাটফর্মে ডাউনলোড করা এবং পরীক্ষা করা যেতে পারে।

বড় ভি৩ এর প্রধান বৈশিষ্ট্য

স্বয়ংক্রিয় সনাক্তকরণ

এই মডেলটি আগের কনফিগারেশন ছাড়া একটি অডিও রেকর্ডিংর ভাষা স্বাধীনভাবে সনাক্ত করতে পারে। এটা বিশেষভাবে সুবিধাজনক যখন বহুভাষী সংলাপ নিয়ে কাজ করা অথবা যখন কোন ভাষায় কথা বলা হয়, তখন তা বলা যায় না।

ইংরাজিতে অডিওর অনুবাদ

প্রতিলিপির সময় বড় বড় ভি৩ একই সাথে ইংরেজিতে কথা বলতে পারে। এটা দুর্লভ ভাষায় অডিও রেকর্ডিং বা ইংরেজি সাবটাইটেল তৈরি করার জন্য উপকারী ।

হস্তক্ষেপের প্রতিরোধ

মডেলটি ব্যাকগ্রাউন্ড, অস্পষ্ট শব্দ, উচ্চারণ এবং বাজে রেকর্ড গুণগত মান বজায় রাখে। এটা অন্য অনেক আইআরআর সিস্টেমের মধ্যে একটি মূল পার্থক্য, যা কঠিন পরিবেশে সঠিক ভারসাম্য হারিয়ে ফেলে।

বৃহৎ বড় ভি৩

খোলা মডেলের মধ্যে শ্রেষ্ঠ মান

বড় বড় ভি৩ ৯৯টি সমর্থিত ভাষায় পাওয়া ওপেন সোর্স সমাধানের মধ্যে সবচেয়ে ভাল প্রমাণ নির্দেশক প্রদর্শন করছে। রাশিয়ার হুইটিল রেকর্ডিং করার জন্য ওয়ারের ( ওয়ার্ড ত্রুটির হার) প্রায় ৫-১০%, যা বাণিজ্যিক ব্যবস্থার সমতুল্য।

সম্পূর্ণ ওপেন সোর্স কোড

এই মডেলটি এমটিআই লাইসেন্সের অধীনে বিতরণ করা হয়েছে। এর মানে হচ্ছে স্থানীয়ভাবে চালানো যাবে কোন মূল্য ছাড়াই, নিজের কাজের জন্য পরিবর্তন করা হবে, এবং লাইসেন্স ছাড়া বাণিজ্যিক প্রকল্পে অংশ নিতে হবে।

অতিরিক্ত কনফিগারেশন বিনা বহুভাষীতা

৯৯টা ভাষা এবং স্বয়ংক্রিয় ভাষার জন্য সমর্থন, রেকর্ডিং ভাষা অথবা ভিন্ন ভাষার জন্য পরিবর্তন করা প্রয়োজন। এই উল্লেখযোগ্যভাবে এই কাজের প্রবাহকে বাড়িয়ে তোলে।

বড় বড় ভি৩-এর পতন

কোনো স্থানীয় প্রকৃত সময় সমর্থন উপস্থিত নেই

বড় ভি৩ এর আদর্শ বাস্তবায়ন বাস্তব সময়ের প্রতিলিপির জন্য তৈরি করা হয়নি। তবে, স্ট্রিমিং বাস্তবায়ন (অভিমান, অস্পষ্ট) এবং গ্রোকে API-এর মাধ্যমে এক সেকেন্ডের কম পরিমাণ কম।

উচ্চ পর্যায়ের GPU আবশ্যক

বড় অডিও ফাইলের দ্রুত বিভাজনকারী একটি শক্তিশালী গ্রাফিক্স প্রসেসর প্রয়োজন। একটা সি.এ. - তে দীর্ঘ রেকর্ডিং করা যায় ।

নীরবতার সময় হ্যালোক

এই মডেলগুলো মাঝে মাঝে অনুপস্থিত শব্দ এবং শব্দগুলোকে চুপ বা কম শব্দের মাঝে অন্তর্ভুক্ত করে। অনেক আইআরআর সিস্টেমে এটা একটা সাধারণ সমস্যা এবং পোস্ট-প্রজেক্ট ফলাফলের পর তা ব্যবহার করা উচিত।

স্থায়ী সংস্করণ

২০২৩ সালের নভেম্বর মাসে মুক্ত হওয়ার পর থেকে বড় ভি৩ এখন পর্যন্ত আপডেট করা হয়নি। মডেলটি নতুন শব্দ, নাম ও ধারণা জানে না । আধুনিক শব্দভাণ্ডারকে স্বীকৃতির জন্য অতিরিক্ত জরিমানা করা হতে পারে।

বড় ভি৩ কি সমাধান করতে পারে?

পডকাস্ট এবং সাক্ষাৎকারের ট্রান্সস্ক্রিপ্টশন

মডেলটির মূল ব্যবহার সাক্ষাৎকার, পডকাস্ট, বক্তৃতা এবং সভার অডিও রেকর্ডিং রূপান্তর করা হচ্ছে। ৯৯টা ভাষাকে সমর্থন করার জন্য বড় বড় ভি৩ বহুভাষী উপাদান ব্যবহার করে মডেল পরিবর্তন না করে।

অনুবাদলিপি নির্মাণ করা হচ্ছে

মডেলটি আপনাকে বিভিন্ন ভাষার ভিডিওর জন্য দ্রুত সাবটাইটেল তৈরি করতে দেয়। ইংরেজি ভাষায় তৈরি করা অনুবাদের মূল উপাদানটি একটি আন্তর্জাতিক শ্রোতাদের জন্য দ্বিভাষী সাবটাইটেল তৈরি করা সম্ভব হয়েছে।

অনুবাদ

সাংবাদিক, সচিব, এবং সহকারী, বড় বড় ভি৩ সভা এবং সংবাদ সম্মেলনের প্রতিলিপি করতে পারে।

বড় ভি৩ গোপনীয়

বিডিএন বড় ভি৩ মুক্তিয়াম মডেলের মধ্যে পাওয়া যাচ্ছে। এই মডেলটি দ্রুতগতিসম্পন্ন অথবা ফিসফিসানি ব্যবহার করে সম্পূর্ণরূপে মুক্তভাবে চালানো যাবে।

যারা মেঘের এক্সেস পছন্দ করেন, তাদের জন্য ওপেনএআই প্রতি মিনিটে ০. ৬ ডলার করে একটি API প্রদান করে। এ ছাড়াও গ্রোকের সীমাবদ্ধতার মধ্যে মুক্ত প্রবেশাধিকার রয়েছে ( প্রতিটি এককের মধ্যে সর্বোচ্চ সংখ্যা)। নেট প্ল্যাটফর্মে এই মডেলকে সীমিত মোডে মুক্তভাবে পরীক্ষা করা যেতে পারে।

বৃহৎ V3 ব্যবহার করে নির্মিত CPU-র সংখ্যা

এমটিআইটি লাইসেন্সের জন্য বড় বড় ভি৩ ব্যবহার করা যেতে পারে, যার মধ্যে বাণিজ্যিক, রাজপরিবারকে কোন অর্থ প্রদান না করে। খোলা সোর্স কোড মডেল পরিবর্তন করতে, আপনার নিজের তথ্যতে জরিমানা, এবং বিতরণ।

মুক্ত API ব্যবহার করার সময়, সেবার প্রমিত মান প্রয়োগ করা হলে প্রতিটি অনুরোধের জন্য একটি ফি প্রদান করা হবে। যখন গ্রোক ব্যবহার করা হবে, তখন নিজের হাতে বিনামূল্যের নিষেধাজ্ঞা প্রযোজ্য।

ছোট V3 যদিও ব্যবহার করা হচ্ছে

মডেলটি বেশ কয়েকটি চ্যানেল থেকে পাওয়া যাচ্ছে:

• API খুলুন — অর্থ, সহজ সমন্বয়, কোনো স্থানীয় সম্পদ নেই ।
• গ্রোটাগ্‌লি - বিনা অনুমতি, অতি-দ্রুত।
• ফেস — বিনামূল্যে মেঘ পরীক্ষা, মডেল হোস্টিং ।
• স্থানীয় স্থাপনা — দ্রুত গতির (পিথরন) অথবা ফিসফিস করে বল.

রাশিয়াসহ বড় বড় ভি৩ ৯৯টা ভাষাকে সমর্থন করে, যার মধ্যে রয়েছে বাজারে সবচেয়ে বহুভাষী উন্মুক্ত ওপেন মডেল।

কিভাবে বড় বড় ভি৩ বিকল্প থেকে আলাদা

সোর্স কোড খুলুন এবং মুক্ত প্রবেশ করান

উদাহরণ হিসেবে বলা যায় (যেমন গুগল কথা বলার মাধ্যমে বলা যায় গুগল কথা বলা হয় টেক্সট বা আজার ভাষা), বড় বড় ভি৩ স্থানীয় ব্যবহারের জন্য পুরোপুরি উন্মুক্ত এবং মুক্ত। এটা শুরু করার জন্য বিশেষভাবে গুরুত্বপূর্ণ, গবেষক এবং কোম্পানিগুলোর জন্য কঠোর তথ্য গোপনীয়তা প্রয়োজন।

৯৯টা ভাষায় পাওয়া মান

বেশীর ভাগ ওপেন সোর্স মডেলরা কেবল মাত্র কয়েকটা ভাষাকে সমর্থন করে অথবা দুর্লভ ভাষায় সঠিক তথ্যের উপর নির্ভর করে। ৬,০০০ ঘন্টা ধরে বহুভাষী অডিও উপাত্তের উপর বড় ভি৩ প্রশিক্ষণ গ্রহণ করা হয় এবং এমনকি ভাষাতেও উচ্চমানের মান প্রদর্শন করা হয়।

বিল্ট-ইন অনুবাদ

অনুবাদ করার সময় ইংরেজি ভাষায় অডিও অনুবাদ করার ক্ষমতা উন্মুক্ত মডেলের মধ্যে বড় বড় ভি৩ এর একটি বৈশিষ্ট্য। বহিস্থিত অনুবাদকদের প্রশিক্ষণ বা সমন্বয় ছাড়া বাক্সের সাথে যুক্ত।

অন্তর্ভুক্ত

আজকে বড় বড় ভি৩ হচ্ছে সবচেয়ে শক্তিশালী উন্মুক্ত যোগাযোগ ব্যবস্থা। এটা ৯৯টা ভাষায় উচ্চ লিপির সঠিকতা, আওয়াজের বিরুদ্ধে প্রতিরোধ এবং স্থানীয় ভাষা ব্যবহার করার সময় সম্পূর্ণ বিনামূল্যে পাওয়া যায়। কিছু বাঁধা সত্ত্বেও- আদিবাসী স্ট্রিমিং, হাই পিইউ-এর চাহিদার অভাব, এবং মডেলটির স্থায়ী চাহিদার অভাব সত্ত্বেও- বড় বড় ভ্রাট ভি৩ পডকাস্ট, সাক্ষাৎকার, বক্তৃতা এবং মেঘ সরবরাহকারীদের কাছ থেকে স্বাধীনতা এবং অন্যান্য অডিও রেকর্ডিং এখনো সব থেকে ভালো।