Hvala što ste poslali upit! Jedan od naših članova tima će vas uskoro kontaktirati.
Hvala što ste poslali rezervaciju! Jedan od naših članova tima će vas uskoro kontaktirati.
Trajanje 14 sati
Sadržaj kursa
Pregled tehnologija prepoznavanja govora
- Istorija i evolucija prepoznavanja govora
- Akustički modeli, jezički modeli i dekodiranje
- Moderni arhitekturi: RNN-ovi, transformeri i Whisper
Predobrada audio zapisa i osnove prepisivanja
- Obrađivanje formata audio zapisa i frekvencija uzorkovanja
- Čišćenje, skraćivanje i segmentacija audio zapisa
- Generisanje teksta iz audio zapisa: u realnom vremenu u odnosu na batch obradu
Praktično rukovanje Whisperom i drugim API-jima
- Instalacija i korišćenje OpenAI Whisper-a
- Pozivanje cloud API-ja (Google, Azure) za prepisivanje
- Poređenje performansi, latencije i troškova
Jezik, akcenti i adaptacija na domen
- Rada sa više jezika i akcenata
- Prilagođeni rečnici i tolerancija na šum
- Obrađivanje pravnog, medicinskog ili tehničkog jezika
Formatiranje izlaza i integracija
- Dodavanje vremenskih oznaka, interpunkcije i oznaka govornika
- Izvoz u tekst, SRT ili JSON formate
- Integracija prepisa u aplikacije ili baze podataka
Laboratorije za implementaciju slučaja upotrebe
- Prepisivanje sastanaka, intervjua ili podkasta
- Glasovno-tekstualni komandni sistemi
- Titlovi u realnom vremenu za video/audio tokove
Evaluacija, ograničenja i etika
- Metrike tačnosti i benchmarking modela
- Pristrasnost i pravednost u glasovnim modelima
- Razmatranja privatnosti i usklađenosti sa propisima
Sažetak i dalji koraci
Uslovi
- Razumevanje opštih koncepata veštačke inteligencije i mašinskog učenja
- Znanje formata i alata za audio ili medijske fajlove
Ciljna publika
- Naučnici podataka i inženjeri veštačke inteligencije koji rade sa glasovnim podacima
- Softverski razvoji koji grade aplikacije zasnovane na prepisivanju
- Organizacije koje istražuju prepoznavanje govora radi automatizacije
