Ainergy протестировал скорость транскрибации аудио моделью WhisperX

Разработчик AI BPA платформы Ainergy протестировал скорость распознавания и преобразования речи в текст с использованием нейросетевой модели WhisperX. Результатом исследования стало достижение высокого темпа обработки аудиофайлов — 9,5 секунд на одну минуту аудио.

В ходе исследования платформа Ainergy с предустановленной LLM обработала аудиофайл продолжительностью 8 минут всего за 1 минуту 12 секунд. Такая высокая производительность возможна благодаря нейросетевому механизму обработки аудиофайлов. Модель WhisperX преобразует аудио в текст через несколько этапов: сначала звук разбивается на сегменты и превращается в спектрограмму — визуальное представление звуковых частот и амплитуд. Архитектура на основе трансформеров обрабатывает эти данные: кодировщик выделяет акустические паттерны (фонемы, интонации), а декодировщик формирует из них слова, учитывая контекст.

Ainergy продолжает совершенствование технологий обработки аудиоданных. Уже сейчас проводится тестирование новой версии модели Whisper, которая потенциально может ускорить время обработки запросов в два раза, по сравнению с текущими показателями.