Samleng សំឡេង

សំឡេងខ្មែរ
ដូចមនុស្សពិត

Samleng គឺជាម៉ូដែលបំប្លែងអត្ថបទទៅជាសំឡេងខ្មែរ (TTS) ដែលបើកចំហ។ វាអានលេខ ឈ្មោះ និងប្រយោគខ្មែរលាយអង់គ្លេសបានត្រឹមត្រូវ ហើយដំណើរការលើកុំព្យូទ័រធម្មតា។

(០១) ស្ដាប់

Same sentence,
three models

ជ្រើសរើសប្រយោគមួយ ហើយប្រៀបធៀបម៉ូដែលដើម Samleng និងម៉ូដែលគ្រូដែលវាបានរៀនតាម។ ប្រយោគទាំងនេះគឺយកមកពីបញ្ជីវាស់របស់យើង មិនមែនរើសតែប្រយោគល្អៗនោះទេ។ ពិន្ទុនៅខាងស្ដាំ គឺជាពិន្ទុអ្នកស្ដាប់ពី ១ ដល់ ៥។

    (០២) លទ្ធផល

    Measured by machine,
    judged by Khmer ears

    ម៉ូដែលនីមួយៗអានប្រយោគខ្មែរចំនួន ៣០០ ក្នុង KhmerTTS-Bench។ កម្មវិធីស្គាល់សំឡេង (ASR) កត់ត្រាអ្វីដែលវាឮ ហើយយើងរាប់ចំនួនតួអក្សរដែលខុស។

    ម៉ូដែលអត្រាកំហុស ខ្មែរពាក្យអង់គ្លេសថ្មីពិន្ទុអ្នកស្ដាប់ (១–៥)
    ម៉ូដែលដើមមុនពេលយើងហ្វឹកហាត់
    10.4%
    		36.7%2.16
    Samleng v1ហ្វឹកហាត់លើសំឡេងគ្រូ ១.២ ម៉ោង · 36M
    5.7%
    		23.7%3.40
    គ្រូ · VoxCPM22B ប៉ារ៉ាម៉ែត្រ · ត្រូវការ GPU
    3.1%
    		12.9%3.72
    Gemini 3.8 TTSសេវាបង់ប្រាក់របស់ Google
    2.2%
    		–3.68
    • អត្រាកំហុស

      មេដ្យាន (median) នៃភាគរយតួអក្សរដែលប្រព័ន្ធស្គាល់សំឡេងសរសេរខុស។ ពិន្ទុអាចប្រែប្រួលប្រហែល ១ ពិន្ទុដោយចៃដន្យ ដូច្នេះយើងមិនរាប់ភាពខុសគ្នាតូចជាងនេះទេ។

    • ពិន្ទុអ្នកស្ដាប់

      ការឱ្យពិន្ទុពី ១ ដល់ ៥ ដោយមិនដឹងថាជាម៉ូដែលណា លើប្រយោគចំនួន ២៥។ បច្ចុប្បន្នមានអ្នកវាយតម្លៃតែម្នាក់គត់ (អ្នកបង្កើត) ហើយយើងកំពុងស្វែងរកអ្នកស្ដាប់បន្ថែម។

    • ពាក្យអង់គ្លេសថ្មី

      ប្រយោគខ្មែរលាយពាក្យអង់គ្លេស ដែលម៉ូដែលមិនធ្លាប់ឃើញពេលហ្វឹកហាត់។ Gemini អានអត្ថបទដើម ចំណែកម៉ូដែលផ្សេងទៀតប្រើកម្មវិធីបំប្លែងលេខរបស់យើង។

    (០៣) របៀបដំណើរការ

    A big teacher,
    a small student

    ម៉ូដែលធំៗនិយាយខ្មែរបានល្អ ប៉ុន្តែយឺត ហើយត្រូវការ GPU។ យើងប្រើម៉ូដែលធំធ្វើជាគ្រូ ដើម្បីបង្រៀនម៉ូដែលតូចមួយ ដែលដំណើរការលឿនលើកុំព្យូទ័រធម្មតា។

    1. ខ្ញុំរីករាយណាស់ដែលបានជួបអ្នក។

      9,042ប្រយោគដែលគ្រូបានអាន

      គ្រូអានប្រយោគរាប់ពាន់

      VoxCPM2 (2 ពាន់លានប៉ារ៉ាម៉ែត្រ) អានប្រយោគនីមួយៗដោយសំឡេងតែមួយ។

    2. មួយចំណុច = ១០០ ឃ្លីបកាត់ចោល

      574ឃ្លីបត្រូវបានកាត់ចោល

      ពិនិត្យរាល់ឃ្លីប

      ASR និងអ្នកស្ដាប់ជនជាតិខ្មែរ បានជម្រុះចេញនូវឃ្លីបណាដែលអានខុស សំឡេងប្លែក ឬលឿនពេក។ នៅសល់ ៨,៤៦៨ ឃ្លីប (៨.៥ ម៉ោង)។

    3. គ្រូ · 2B
      សិស្ស · 36M

      56×តូចជាងគ្រូ

      សិស្សរៀនពីគ្រូ

      ម៉ូដែល 36 លានប៉ារ៉ាម៉ែត្រ រៀនតាមសំឡេងនោះ ហើយដំណើរការលឿនជាងពេលវេលាជាក់ស្ដែង លើ CPU ធម្មតា។

    (០៤) KhmerTTS-Bench

    An open yardstick
    for Khmer speech

    ប្រយោគ ៣២០ ត្រូវបានពិនិត្យដោយអ្នកនិយាយខ្មែរ៖ ខ្មែរសុទ្ធ ប្រយោគវែង ឈ្មោះ លេខ ខ្មែរលាយអង់គ្លេស និងអង់គ្លេស ព្រមទាំងកូដវាស់ដែលមិនប្រែប្រួល។ អ្នកណាក៏អាចវាស់ម៉ូដែលរបស់ខ្លួន និងប្រៀបធៀបដោយយុត្តិធម៌បានដែរ។

    មើលនៅ Hugging Face តារាងចំណាត់ថ្នាក់
    320ប្រយោគ ពិនិត្យដោយអ្នកនិយាយខ្មែរ
    6ប្រភេទប្រយោគ
    9ប្រព័ន្ធដែលបានវាស់
    CC BYប្រើបានដោយសេរី

    (០៥) កំណត់ហេតុ

    What we tried,
    including what failed

    1. ការហ្វឹកហាត់ធំ

      សំឡេងគ្រូ ៨.៥ ម៉ោង។ វាបានគាំងពីរដងដោយសារ GPU របស់ Mac អស់មេម៉ូរី។ យើងបានរកឃើញមូលហេតុ ជួសជុលវា និងបន្តដំណើរការពីចំណុចរក្សាទុករួចចុងក្រោយ។

    2. ពិន្ទុពីអ្នកស្ដាប់លើកដំបូង

      ការឱ្យពិន្ទុដោយមិនដឹងឈ្មោះម៉ូដែល៖ ម៉ូដែលដើម 2.16 → Samleng v1 3.40។ ល្បឿននិយាយស្មើល្អ គឺឈ្នះទាំងការស្ដាប់ដោយត្រចៀក និងការវាស់ដោយតួលេខ។

    3. សំឡេងគ្រូថ្មី

      យើងបានជ្រើសរើសសំឡេងសំយោគថ្មីមួយដែលច្បាស់ជាងមុន ហើយឱ្យគ្រូអានប្រយោគទាំងអស់ឡើងវិញ។

    4. បោះពុម្ព KhmerTTS-Bench

      បានវាស់ម៉ូដែល TTS ខ្មែរបើកចំហទាំង ៧ និង Gemini ពីរកំណែ។ Gemini 3.8 ត្រឹមត្រូវបំផុត ប៉ុន្តែជាសេវាបង់ប្រាក់។

    5. សិស្សលើកទីមួយ

      ហ្វឹកហាត់លើសំឡេងគ្រូត្រឹមតែ ១.២ ម៉ោង ប៉ុន្តែអត្រាកំហុសលើប្រយោគខ្មែរបានថយចុះប្រហែល ៤៣%។

    6. រង្វាស់អាចបំភាន់

      ចំពោះប្រយោគខ្មែរលាយអង់គ្លេស អត្រាកំហុសធម្មតាគឺមិនស្របទៅនឹងអ្វីដែលមនុស្សស្ដាប់ឮនោះទេ។ យើងបានបង្កើតរង្វាស់ថ្មីមួយ និងផ្ទៀងផ្ទាត់វាជាមួយពិន្ទុពីអ្នកស្ដាប់។

    (០៦) ចូលរួម

    Help rate Khmer voices

    មានតែអ្នកនិយាយភាសាខ្មែរទេ ទើបដឹងថាសំឡេងណាស្ដាប់ទៅដូចជាខ្មែរពិតប្រាកដ។ ចំណាយពេលប្រហែល ១៥ នាទីប៉ុណ្ណោះ៖ ស្ដាប់ឃ្លីបខ្លីៗ ហើយដាក់ពិន្ទុពី ១ ដល់ ៥។

    ខ្ញុំចង់ជួយ