SignalStack
খবরে ফিরে যান

ক্যাকটাস হুইসলের জন্য কোডিং গাইড: ১৬.৯ এমবি স্পিচ মডেল কি ওয়িসপার বেসের বিরুদ্ধে টিকে থাকে? শব্দ ত্রুটি হার, গতি, স্ট্রিমিং, টাইমস্ট্যাম্প, কীওয়ার্ড, এবং সিপিইউতে স্পিচ-টু-টুল কল

মূল প্রতিবেদন পড়ুন

এআই সারাংশ

এটি গুরুত্বপূর্ণ কারণ এটি যাচাই করে যে একটি ছোট, সিপিইউ-বান্ধব স্পিচ মডেল সত্যিই বড় প্রতিযোগীদের ছাড়িয়ে যেতে পারে কিনা, যা ডেভেলপারদের জন্য কার্যকর, কম খরচের ট্রান্সক্রিপশন সম্ভব করে।

এআই দিয়ে তৈরি সারাংশ। প্রেক্ষাপট ও নির্ভুলতার জন্য মূল প্রতিবেদন দেখুন।

উৎসের অংশবিশেষ

এটি ফিডে পাওয়া অংশবিশেষ। এটি সংক্ষিপ্ত বা প্রকাশকের মূল ভাষায় হতে পারে।

In this tutorial, we use Whistle, Cactus Compute’s speech-to-text model, a 16.9 MB file that runs on a CPU, transcribes seven languages, and returns word timestamps and probabilities. The model card claims it beats Whisper base on LibriSpeech; we test it on seeded test-clean and test-other samples, comparing Whistle with Whisper tiny and base on identical clips, judged by paired speaker-cluster intervals with Holm correction. We find a lead over greedy Whisper base on test-other, no significant gap against beam search, and a speed advantage that narrows as clips grow. Beyond the headline, we probe a 30-second window where the pinned engine silently drops the middle of longer audio, plus streaming latency, timestamps, keyword biasing, other languages, noise, embeddings, and speech-to-tool calls. Our figures are one-run samples from an Apple M4, and published full-split numbers are quoted, not measured. Copy CodeCopiedUse a different Browserimport os import io import re import sys import json import math import time import random import hashlib import shutil import zipfile import platform import traceback import subprocess import collections import urllib.error import urllib.request RESULTS = {} VERDICTS = [] def banner(title): print("\n" + "=" * 78) print(title) print("=" * 78) def section(name): def wrap(fn): def run(*a, **kw): banner(name) t0 = time.time() try: out = fn(*a, **kw) RESULTS[name] = out if isinstance(out, str) else "ok" return out except Exception as e: RESULTS[name] = f"SKIPPED / FAILED -> {type(e).__name__}: {e}" print(f"\n[!] {name} did not complete: {type(e).__name__}: {e}") traceback.print_exc(limit=3) return None finally: print(f"\n[{time.time() - t0:.0f} s]") json.dump({"results": RESULTS, "verdicts": VERDICTS}

অগ্রাধিকার সম্পর্কে

উৎসের বিশ্বাসযোগ্যতা, শব্দ ও সত্তার ভিত্তিতে ১–১২ স্কেলে স্বয়ংক্রিয়ভাবে সাজানোর সহায়ক। উচ্চ: ৯–১২; মাঝারি: ৬–৮; নিম্ন: ১–৫। এটি জরুরিতা বা খবরের সত্যতা নির্ধারণ করে না এবং সম্পাদকীয় অনুমোদন নয়।

এই বিষয়ের আরও খবর

Hugging Face Blog

IBM Granite টাইম-সিরিজ মডেল দিয়ে এনসেম্বল ফোরকাস্টিং

IBM Granite টাইম-সিরিজ মডেলগুলি এনসেম্বল ফোরকাস্টিং ব্যবহার করে একাধিক পূর্বাভাসকে একত্রিত করে, জটিল টাইম-সিরিজ ডেটা বিশ্লেষণের জন্য সঠিকতা ও নির্ভরযোগ্যতা বাড়ায়।

নিম্ন অগ্রাধিকার 5/12
MarkTechPost

IBM AI-এর মাল্টিলিঙ্গুয়াল ট্রান্সক্রিপশন ও অনুবাদে Granite Speech 5.0 2B-এর উন্মোচন

IBM-এর ওপেন-সোর্স Granite Speech 5.0 2B সঠিক মাল্টিলিঙ্গুয়াল ট্রান্সক্রিপশন ও অনুবাদ সক্ষম করে, যা ডেভেলপারদের জন্য নমনীয়, অন-ডিভাইস স্পিচ প্রসেসিং সুবিধা প্রদান করে।

উচ্চ অগ্রাধিকার 12/12
MarkTechPost

পারপ্লেক্সিটি ও NVIDIA গবেষকরা উপস্থাপন করছেন JOLT: একটি যৌথ শিক্ষক-শিক্ষার্থী রিইনফোর্সমেন্ট লার্নিং পদ্ধতি

JOLT প্রশিক্ষণ খরচ ৬.৫ গুণ কমিয়ে আনে, একই সাথে সঠিকতা বজায় রাখে, ফলে বৃহৎ-স্কেল ভাষা মডেল রিইনফোর্সমেন্ট লার্নিংকে উল্লেখযোগ্যভাবে আরও কার্যকর ও সাশ্রয়ী করে তোলে।

উচ্চ অগ্রাধিকার 12/12