የግንኙነት ባለሙያ ጊዜያዊ ምደባ
Connectionist Temporal Classification (CTC) የኪሳራ ተግባር እና የመግለጫ ዘዴ ነው የነርቭ ኔትወርኮች ረጅም የድምጽ ቅደም ተከተልን ወደ ጽሑፍ የሚቀይሩት ማንም ሰው እያንዳንዱን ድምጽ በእያንዳንዱ ፊደል ላይ ሳያስተካክል ነው።
አጠቃላይ እይታ
It made end-to-end speech recognition practical by solving the brutal alignment problem.
ጥልቅ ዳይቭ
ንግግር የተዘበራረቀ ነው፡ 'ሄሎ' የሚለው ቃል 40 የድምጽ ፍሬሞችን ሊይዝ ይችላል፣ እና ማንም የትኛው ፍሬም 'h' እንደሆነ በትክክል አይለይም። በ2006 በአሌክስ ግሬቭስ የተዋወቀው ሲቲሲ፣ ይህንን ወደ ጎን ያደርገዋል። አውታረ መረቡ ለእያንዳንዱ ፍሬም በገጸ-ባህሪያት (በተጨማሪም ልዩ 'ባዶ' ቶከን) ላይ እድል ይፈጥራል። በመቀጠል CTC ትክክለኛ አሰላለፍ እንደ ማንኛውም ፍሬም-በ-ፍሬም መንገድ ወደ ዒላማው ጽሑፍ ከሁለት ደንቦች በኋላ የሚፈርስ ይገልፃል፡ ተደጋጋሚ ቁምፊዎችን ያዋህዱ እና ባዶዎችን ይሰርዙ። ብዙ ዱካዎች ለተመሳሳይ ጽሁፍ ስለሚያሳዩ፣ ሲቲሲ የሁሉንም እድል ተለዋዋጭ-ፕሮግራሚንግ ስልተ-ቀመር (የወደፊት-ኋላ ቀር ስልተ-ቀመር) በመጠቀም ያጠቃልላል እና ያንን ድምር ከፍ ለማድረግ ኔትወርኩን ያሰለጥናል። ባዶ ማስመሰያው ሞዴሉ 'እዚህ ምንም አዲስ ነገር የለም' እንዲል የሚያስችለው እና እውነተኛ ድግግሞሾችን በ'ሄሎ' ውስጥ እንደ ድርብ-ኤል የሚለይ ብልህ ብልሃት ነው።
ቴክኒካዊ ግንዛቤ
የሲቲሲ ዋና ግምት ሁኔታዊ ነፃነት ነው፡ በድምጽ ከተሰጠ፣ የእያንዳንዱ ፍሬም ውፅዓት ለብቻው ይተነብያል፣ ምንም የቋንቋ ሞዴል አልተጋገረም። ይህ ማለት ወደ ፊት-ወደኋላ ማጠቃለያ ትራክት ያደርገዋል ነገር ግን CTC ሹል ፣ ከፍተኛ ውፅዋቶችን (በአብዛኛው ባዶ ፣ በሹል የቁምፊ ሹል) እና በኮድ መፍታት ጊዜ ከውጫዊ የቋንቋ ሞዴል ተጠቃሚ ያደርጋል። የጨረር ፍለጋ ከተዋሃደ LM ጋር፣ ብዙ ጊዜ ቅድመ ቅጥያ-beam ዲኮዲንግ ተብሎ የሚጠራው፣ በስግብግብነት አርማክስ ዲኮዲንግ ላይ ትክክለኛነትን በእጅጉ ያሻሽላል።
ስልታዊ ተጽእኖ
መድረስ እና መድረስ
በጽሑፍ፣ በትረካ እና በድምፅ በይነገጾች ተደራሽነትን ያሻሽላል።
ወጪ እና በጀት
የሚዲያ ቡድኖች በትንሽ በጀቶች የተጣራ ድምጽ በፍጥነት መላክ ይችላሉ።
ፍጥነት እና ልኬት
ከደንበኛ ጋር የሚገናኙ ስርዓቶች የንግግር ግንኙነቶችን በትልቁ ደረጃ ማካሄድ ይችላሉ።
የግንኙነት ባለሙያ ጊዜያዊ ምደባ የወደፊት
ሲቲሲ የስራ ፈረስ ሆኖ ይቆያል፣ በተለይም የዥረት ፍሰት እና ዝቅተኛ መዘግየት ጉዳይ፣ እና በድብልቅ 'CTC/ትኩረት' ሞዴሎች ውስጥ ከትኩረት ወይም ትራንስድራክተር ዓላማዎች ጋር እንደ ረዳት ኪሳራ እየጨመረ ነው። ሲቲሲ በትልልቅ ባለብዙ ተግባር የንግግር ስርዓቶች ውስጥ እንደ ፈጣን እና ቀላል ዲኮደር ቅርንጫፍ ሆኖ እንዲቆይ እና ቃላትን የጊዜ ማህተም ከሚያደርጉ በግዳጅ አሰላለፍ መሳሪያዎች በስተጀርባ ያለው አሰላለፍ ሞተር ሆኖ እንዲቆይ ይጠብቁ። እንደ wav2vec 2.0 ያሉ በራስ የሚተዳደር ኢንኮድሮች በተለምዶ ከሲቲሲ ጭንቅላት ጋር በጥሩ ሁኔታ የተስተካከሉ ናቸው።
የእውነተኛ-ዓለም አተገባበር
በጥሩ ሁኔታ ማስተካከል wav2vec 2.0 ከሲቲሲ ጭንቅላት ጋር በዝቅተኛ የመረጃ ምንጭ ቋንቋ የክፍት ምንጭ የንግግር-ወደ-ጽሑፍ ሞዴል ለመገንባት
የቃል እና የፎነሜ ደረጃ የጊዜ ማህተሞችን ለትርጉም ጽሑፎች እና ካራኦኬ በሲቲሲ በግዳጅ አሰላለፍ መፍጠር
በመሣሪያ ላይ የሚለቀቅ የሲቲሲ ሞዴል በትንሹ መዘግየት የሚገለበጥበት ቅጽበታዊ መግለጫ ጽሑፍ
የእጅ ጽሑፍ ማወቂያ፣ CTC የግለሰብ ፊደላትን ቀድመው ሳይከፋፍሉ የጠቋሚ መስመርን የሚያነብበት
አደጋዎች እና የጥበቃ መንገዶች
ስምምነት ሲጠፋ የድምፅ አላግባብ መጠቀም እና የማስመሰል አደጋዎች ይጨምራሉ።
ትክክለኛነት በአነጋገር ዘዬዎች፣ ቀበሌኛዎች ወይም ጫጫታ አካባቢዎች ላይ ሊወድቅ ይችላል።
ሰራሽ ኦዲዮ ግልጽ ምልክት ሳይደረግበት ለትክክለኛ ንግግር ሊሳሳት ይችላል።
የትግበራ ፍኖተ ካርታ
ለድምጽ ቀረጻ፣ ክሎኒንግ እና እንደገና ጥቅም ላይ ለማዋል ግልጽ የሆነ ፈቃድ ያግኙ።
በተለያዩ የድምጽ ማጉያዎች እና የበስተጀርባ ሁኔታዎች ላይ ጥራትን ይሞክሩ።
አንድ ሰው መቼ ውጤቶችን መገምገም ወይም ማጽደቅ እንዳለበት ይግለጹ።
ሰው ሰራሽ ኦዲዮን ይሰይሙ እና ለተጠያቂነት የፕሮቨንስ መዝገቦችን ያስቀምጡ።
ማሰስዎን ይቀጥሉ
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Connectionist Temporal Classification quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
ቀጣይ መመሪያ
የሙዚቃ ዘውግ ምደባ
በተደጋጋሚ የሚጠየቁ ጥያቄዎች
What is Connectionist Temporal Classification?
Connectionist Temporal Classification (CTC) የኪሳራ ተግባር እና የመግለጫ ዘዴ ነው የነርቭ ኔትወርኮች ረጅም የድምጽ ቅደም ተከተልን ወደ ጽሑፍ የሚቀይሩት ማንም ሰው እያንዳንዱን ድምጽ በእያንዳንዱ ፊደል ላይ ሳያስተካክል ነው። ጭካኔ የተሞላበትን የአሰላለፍ ችግር በመፍታት ከጫፍ እስከ ጫፍ የንግግር እውቅናን ተግባራዊ አድርጓል።
CTC ለንግግር ማወቂያን ለመፍታት የተነደፈው ምን ዋና ችግር ነው?
CTC የኔትወርክ ችግርን የሚፈታ የትኛውን ፍሬም ከየትኛው ቁምፊ ጋር እንደሚመሳሰል ሳይለይ አውታረመረብ (ድምጽ፣ ጽሑፍ) ጥንዶች ላይ እንዲያሰለጥን ይፈቅዳል።
በሲቲሲ ውስጥ ያለው ልዩ 'ባዶ' ማስመሰያ ምን ጥቅም ላይ ይውላል?
ባዶ ማስመሰያው ሞዴሉ በፍሬም ላይ 'ምንም አዲስ' ነገር እንዳያወጣ ያስችለዋል፣ እና በወሳኝ መልኩ፣ እንደ ድርብ-ኤል በ'ሄሎ' ውስጥ እውነተኛ ድግግሞሾችን ከተሰበሰቡ ድግግሞሾች ይለያል።
ሲቲሲ ለዒላማ ግልባጭ ኪሳራውን እንዴት ያሰላል?
CTC ድግግሞሾችን ካዋሃዱ እና ባዶዎችን ከሰረዙ በኋላ ወደ ዒላማው በሚያሳዩት እያንዳንዱ አሰላለፍ ላይ ያለውን እድል ለማጠቃለል ወደፊት-ወደ ኋላ ተለዋዋጭ-ፕሮግራሚንግ ስልተ-ቀመር ይጠቀማል።
ፍሬም-መንገድን ወደ መጨረሻው ጽሑፍ ለመቀየር ሲቲሲ የሚተገበረው ሁለቱ መፈራረስ ህጎች ምንድናቸው?
ጥሬ የፍሬም መንገድ በመጀመሪያ ከጎን የተባዙ ቁምፊዎችን በማዋሃድ እና ከዚያም ሁሉንም ባዶ ቶከኖች በማስወገድ ይገለጻል።
መደበኛ CTC ስለ ውጤቶቹ ምን ቀለል ያለ ግምት ይሰጣል?
ሲቲሲ በፍሬም ሁኔታዊ ነፃነትን ይወስዳል፣ ይህም ማጠቃለያውን በቀላሉ ማግኘት የሚቻል ያደርገዋል ነገር ግን አብሮ የተሰራ የቋንቋ ሞዴል የለም ማለት ነው።