Transformatör parametrelerinin otomatik konuşma tanıma performansına etkileri

Yapay zeka ve derin öğrenme teknolojilerinde kaydedilen hızlı gelişmeler, özellikle doğal dil işleme ve otomatik konuşma tanıma alanlarında önemli dönüşümlere yol açmıştır. Transformer mimarisi, uzun bağlamlı verileri etkili bir biçimde işleyebilme yeteneği sayesinde klasik yapay sinir ağlarına kıyasla hem yüksek doğruluk hem de işlem verimliliği sağlamaktadır. Bu özellikleriyle, başlangıçta metin tabanlı uygulamalarda kullanılan bu mimari, günümüzde konuşma tanıma sistemlerinde de yaygın şekilde tercih edilmektedir. Bu araştırmada, Transformer tabanlı otomatik konuşma tanıma modellerinin performansını belirleyen başlıca hiperparametreler incelenmiştir. İleri beslemeli ağlardaki nöron sayısı, gizli katman sayısı ve eğitim döngüsü gibi parametrelerin modele etkileri deneysel olarak değerlendirilmiştir. Model geliştirme süreci Python programlama dili ve Keras kütüphanesi kullanılarak gerçekleştirilmiştir. Eğitim işlemleri ise hem yerel ortamda hem de bulut tabanlı platformlarda yürütülmüştür. Deneylerde, tek bir konuşmacıya ait geniş kapsamlı bir İngilizce ses ve metin veri seti tercih edilmiştir. Farklı parametre kombinasyonlarıyla gerçekleştirilen testler sonucunda elde edilen performans ölçümleri detaylı şekilde analiz edilmiştir. Elde edilen sonuçlar, transformer mimarisi temelinde geliştirilen konuşma tanıma sistemlerinin optimizasyonu açısından önemli bilgiler sunmaktadır. Sonuç olarak, bu çalışma, hiperparametre ayarlamalarının Transformer tabanlı konuşma tanıma modellerinin başarısına etkisini ortaya koyarak, bu alanda araştırma yapanlara ve uygulayıcılara yol gösterici deneysel veriler sağlamaktadır. Böylece, daha etkin ve doğruluk oranı yüksek konuşma tanıma sistemlerinin geliştirilmesine katkı sağlanması hedeflenmiştir.