வலையொலி (Podcast) நிகழ்ச்சிகள், நேர்காணல்கள், செய்தியாளர் சந்திப்புகள், பதிவு செய்யப்பட்ட மருத்துவ - சட்ட ஆலோசனைகள் ஆகியவற்றைத் தட்டச்சு செய்து எழுத்து வடிவத்துக்கு (Transcription) மாற்றுவதற்குப் பல மணிநேரம் தேவைப்படும். பின்னணி இரைச்சலுடன் (Background Noise) கூடிய பேச்சோ, வெவ்வேறு மனிதர்களின் பேச்சு வழக்குகளோ (Accents) அச்சு வடிவத்துக்கு மாற்றப்படும்போது தவறுகள் நடக்கவும் அதிகச் சாத்தியமுண்டு.
இந்தச் சவாலுக்கு மிகத் துல்லியமான தீர்வை வழங்குகிறது OpenAI நிறுவனத்தால் உருவாக்கப்பட்டுள்ள ‘Whisper AI’ என்னும் அதிநவீன ஒலியறிதல் (Automatic Speech Recognition - ASR) செய்யறிவுக் கருவி.
இணையத்தில் உள்ள பல லட்சம் மணிநேர, பன்மொழி ஒலிப்பதிவுகளைக் கொண்டு பயிற்சி அளிக்கப்பட்டுள்ள இந்தக் கருவி, மனிதர்களின் குரல்களைத் துல்லியமாக அடையாளம் கண்டு எழுத்து வடிவமாக மாற்றுவதில் முன்னோடியாக விளங்குகிறது.
பன்மொழி - மொழிபெயர்ப்பு (Multilingual & Translation) Whisper AI வெறும் ஆங்கிலப் பேச்சுக்களை மட்டுமல்லாது தமிழ், தெலுங்கு, ஸ்பானிஷ், ஃபிரெஞ்ச் உள்பட நூற்றுக்கும் மேற்பட்ட மொழிகளில் அமைந்த உரையாடல்களைத் துல்லியமாகப் புரிந்துகொள்ளும் திறன் கொண்டது. குறிப்பிட்ட ஒரு மொழியில் பேசப்படுவதைக் கேட்டு, அதைத் துல்லியமான ஆங்கிலத்தில் எழுத்து வடிவத்துக்கு நிகழ்நேரத்திலேயே மொழிபெயர்க்கும் (Speech-to-Text Translation) ஆற்றலும் இதற்கு உள்ளது.
இரைச்சலைத் தாண்டித் துல்லியமாகச் செயல்படுதல் (Robustness to Noise) வாகனங்களின் சத்தம், உணவகங்களின் இரைச்சல், பின்னணி இசை ஆகியவற்றைக் கொண்ட ஒலிப்பதிவுகளாக இருந்தாலும் இந்தக் கருவி அவற்றில் இருந்து மனிதக்குரலை மட்டும் தனியாகப் பிரித்தெடுத்துப் பிழையின்றித் தட்டச்சு செய்கிறது. அத்துடன், சிக்கலான தொழில்நுட்பச் சொற்கள், மருத்துவச் சொற்கள், விரைவாகப் பேசப்படும் வாக்கியங்களையும்கூட இது மிகச் சரியாகப் புரிந்துகொள்கிறது.
பொது வளத் தொழில்நுட்ப மும் தரவுப் பாதுகாப்பும் (Open-Source & Privacy) இக்கருவி அனைவரும் அணுகுவதற்கான பொது வள (Open-Source) மாதிரியாகக் கிடைப்பதால், மென்பொருள் உருவாக்குநர்களும் நிறுவனங்களும் இதைத் தங்கள் சொந்தக் கணினிகளிலோ நிறுவனத்துக்குச் சொந்தமான கட்டமைப்புகளிலோ (Local Infrastructure) நிறுவிக்கொள்ளவும் இணைய இணைப்பு இன்றிப் பயன்படுத்தவும் முடியும். இதன் மூலம், நிறுவனங்களின் முக்கியமான ஒலிப்பதிவுகளையும் வாடிக்கையாளர்களின் குரல் தரவுகளையும் இணையத்துக்குச் செல்லாமல் மிகவும் பாதுகாப்பாகப் பராமரிக்க இயலும்.
பிற செய்யறிவுக் கருவிகளில் இருந்து இது எவ்வாறு வேறுபடுகிறது?
பொதுவாகப் பாரம்பரிய Speech-to-Text கருவிகள், குறிப்பிட்ட பேச்சு வழக்கையும் இடையீடுகளோ இரைச்சலோ இல்லாத, அறைகளில் பதிவு செய்யப்பட்ட குரல்களையும் மட்டுமே சரியாகத் தட்டச்சு செய்யும். இரைச்சல் இருந்தால் அவை சரியாகச் செயல்படுவதில் சவால்களை எதிர்கொள்கின்றன. ஆனால், Whisper AI மனிதர்களின் இயல்பான பேச்சுப் பிழைகள், உச்சரிப்பு வேறுபாடுகள், கடுமையான பின்னணி இரைச்சல் ஆகியவற்றைக் கடந்து 95%க்கும் அதிகமான துல்லியத்துடன் எழுத்து வடிவத்துக்கு மாற்றித் தருகிறது.
யாருக்கு இது மிகவும் பயன்படும்?
பத்திரிகையாளர்கள், யூடியூபர்கள், ஆராய்ச்சியாளர்கள், மருத்துவக்குறிப்புகளைப் பதிவு செய்வோர் (Medical Transcribers), வலையொலி தயாரிப்பாளர்கள், காட்சிகளுக்குக் காலக் குறியீடுகளுடன் (Timestamps) கூடிய மொழிபெயர்ப்பு / படக்குறிப்புகளை (Subtitles/Captions) உருவாக்குபவர்கள்.
ஒலியை எழுத்து வடிவில் மாற்றுவதில் இருந்த எல்லைகளை உடைத்து, பன்மொழித் தகவல்தொடர்பை மிக எளிமையாக்குவதில் Whisper AI-யின் பங்கு அளப்பரியது. https://whisperai.com/
செய்யறிவு விதி
மென்பொருள் உருவாக்கம், எழுத்து, வடிவமைப்பு, ஆராய்ச்சி என ஒவ்வொரு பணிக்கும் தனித் தனி செய்யறிவுக் கருவிகள் இருக்கின்றன. உங்கள் வேலைக்கு எது மிகவும் பொருத்தமானதோ அந்தக் கருவியைத் தேர்வு செய்யுங்கள். சரியான கருவி உங்கள் நேரத்தைப் பெருமளவு மிச்சப்படுத்துவதுடன் வேலையையும் எளிதாக முடிக்க உதவும்.
Whisper AI-ஐ பதிவிறக்கம் செய்ய தொழில்நுட்ப அறிவு உள்ளவர்களும் மென்பொருள் உருவாக்குநர்களும் இக்கருவியைக் கீழ்க்கண்ட இணைப்பில் இருந்து நேரடியாகப் பதிவிறக்கம் செய்துகொள்ளலாம்.
GitHub Repository: https://github.com/openai/whisper
- மேலும் கற்கலாம்.
- கட்டுரையாளர், பேராசிரியர், தொழில்நுட்ப எழுத்தாளர்.