ጃስፐር እና ኳርትዝኔት ASR መመሪያ

አጠቃላይ እይታ

They matter for showing how to get strong accuracy with far fewer parameters, ideal for deployment.

ጥልቅ ዳይቭ

ጃስፐር (ልክ ሌላ ንግግር ማወቂያ)፣ በ2019 በNVDIA የተለቀቀው ጥልቅ 1D convolutional Network ነው፣ እስከ 54 ንብርብሮች፣ የሜል-ስፔክትሮግራም ባህሪያትን በሲቲሲ መጥፋት ተጠቅመው ገፀ ባህሪን የሚቀርፅ ነው። ጥቅጥቅ ያሉ ቀሪ ግንኙነቶችን አስተዋወቀ ስለዚህ ቅልጥፍኖች በጣም ጥልቅ በሆኑ ቁልል ውስጥ በንጽህና ይፈስሳሉ። ኳርትዝኔት፣ በዚያው አመት የተለቀቀው፣ የጃስፔርን ብሎክ መዋቅር ጠብቋል ነገር ግን መደበኛ ውዝግቦችን በጊዜ ቻናል በሚለያዩ ውዝግቦች ተክቷል፣ እያንዳንዱን ማጣሪያ ወደ ጥልቅ ጊዜያዊ ውዥንብር እና ትክክለኛ የሰርጥ ማደባለቅ እርምጃ። ይህ ማባዛት በLibrispeech ላይ ካለው ትክክለኛነት ጋር በሚመሳሰልበት ጊዜ ከጃስፐር 333 ሚሊዮን ወደ 19 ሚሊዮን አካባቢ መለኪያዎችን ቀንሷል። ሁለቱም በNVadi's NeMo Toolkit ውስጥ ይላካሉ እና ለፈጣን የጂፒዩ ስልጠና እና የእውነተኛ ጊዜ ግንዛቤ የተስተካከሉ ናቸው፣ ይህም ለምርት ASR ታዋቂ የግንባታ ብሎኮች ያደርጋቸዋል።

ቴክኒካዊ ግንዛቤ

የኳርትዝኔት ቅልጥፍና የሚመጣው በጊዜ ቻናል ከሚለያዩ ውዝግቦች፣ ከሞባይል ኔት ጀርባ ያለው ተመሳሳይ ሃሳብ ነው። መደበኛ 1D convolution ጊዜን እና ቻናሎችን በአንድ ላይ ያዋህዳል፣ K ጊዜ C-in times C-out ክብደት ያስከፍላል። በጊዜ ሂደት ወደ ጥልቅ ጠባይ ውዥንብር እና 1x1 ነጥብ አቅጣጫ በሰርጦች ላይ መለያየት ወደ K ጊዜ C እና C-in times C-out መለኪያዎችን ይቀንሳል። በቀሪ ብሎኮች የተቆለለ እና በሲቲሲ የሰለጠነ፣ ይህ በጃስፐር አቅራቢያ ያለውን ትክክለኛነት በአምሳያው መጠን እና ስሌት በትንሹ ይሰጣል።

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።

የጃስፐር እና የኳርትዝኔት ASR የወደፊት ዕጣ

የኳርትዝኔት ሊነጣጠል የሚችል-convolution የዘር ሐረግ በቀጥታ ወደ ኤንቪዲአይ ሲትሪኔት እና በሰፊው ጥቅም ላይ ወደዋሉት የኮንፎርመር ሞዴሎች አመራ፣ይህም ከአካባቢያዊ ውዝግቦች ጎን ለጎን ዓለም አቀፋዊ አውድን ለመያዝ የራስ ትኩረትን ይጨምራል። ወደ ድቅል ኮንቮሉሽን-ፕላስ-ትኩረት አርክቴክቸር እና ትራንስዱስተር (አርኤንኤን-ቲ) ዲኮድሮች ለዥረት መልቀቅ ቀጣይ እንቅስቃሴን ይጠብቁ። ዋናው ትምህርቱ፣ ለዳር እና ለእውነተኛ ጊዜ ማሰማራት ልኬት-ውጤታማ ውዝግቦች፣ ASR ወደ ስልኮች፣ መኪኖች እና የተከተቱ መሳሪያዎች ሲገፋ ማዕከላዊ ሆኖ ይቆያል።

የእውነተኛ-ዓለም አተገባበር

የእውነተኛ ጊዜ ግልባጭ እና የድምጽ ረዳቶች በNeMo Toolkit በኩል በNVDIA ጂፒዩዎች ላይ ተሰማርተዋል።

የኳርትዝኔት ትንሽ አሻራ የማስታወስ ችሎታ ካላቸው መሳሪያዎች ጋር በሚስማማበት ጠርዝ እና የተከተተ ASR

ቀድሞ የሰለጠነ የኳርትዝኔት ፍተሻ ነጥቦችን ለጎራ-ተኮር መዝገበ-ቃላት እንደ የህክምና ወይም የህግ ቃላት

የጥሪ ማእከል ትንታኔዎች ብዙ የድምጽ መጠን በፍጥነት እና ወጪ ቆጣቢ በሆነ መልኩ ወደ ገለባ የሚገለብጥ

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

ድምጽ AI

የንግግር ስርዓቶች ቋንቋን እንዴት እንደሚያውቁ እና እንደሚያመነጩ ይወቁ።

መመሪያ ያንብቡ

AI ሙዚቃ

ዘመናዊ የሙዚቃ-ትውልድ መሳሪያዎችን እና ገደቦችን ይረዱ።

መመሪያ ያንብቡ

Free newsletter

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 Jasper and QuartzNet ASR quiz

Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.

ጥያቄ ጀምር

Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation

ቀጣይ መመሪያ

Wav2Letter Convolutional ASR

ቀጣዩን መመሪያ ያንብቡ ሁሉንም ጥያቄዎች ያስሱ

በተደጋጋሚ የሚጠየቁ ጥያቄዎች

What is Jasper and QuartzNet ASR?

ጃስፐር እና ኳርትዝኔት የNVDIA ከጫፍ እስከ ጫፍ ኮንቮሉሽን ንግግር ማወቂያ ሞዴሎች ናቸው፣ QuartzNet በአስገራሚ ሁኔታ ትንሽ እና ቀልጣፋ የጃስፐር ዲዛይን ነው። በጣም ጥቂት በሆኑ መለኪያዎች ጠንካራ ትክክለኛነትን እንዴት ማግኘት እንደሚችሉ ለማሳየት አስፈላጊ ናቸው ፣ ለመሰማራት ተስማሚ።

ኳርትዝኔት ከጃስፐር በጣም ያነሱ መለኪያዎችን እንዲጠቀም የሚያደርገው የትኛው ቁልፍ ፈጠራ ነው?

QuartzNet መደበኛ ውዝግቦችን በጊዜ ቻናል ሊነጣጠሉ በሚችሉ ውዝግቦች ይተካዋል፣ ትክክለኛነትን በመጠበቅ የመለኪያ ብዛትን በእጅጉ ይቀንሳል።

ኳርትዝኔት ከጃስፐር ~333 ሚሊዮን ጋር ሲነጻጸር ስንት መለኪያዎች አሉት?

ኳርትዝኔት ከጃስፔር ሊብሪስፔክ ትክክለኛነት ጋር በሚዛመድ በ17x ቅናሽ ወደ 19 ሚሊዮን መለኪያዎች ይቀንሳል።

ሁለቱንም ጃስፐር እና ኳርትዝኔትን ያዘጋጀው የትኛው ኩባንያ ነው?

ሁለቱም ሞዴሎች የተገነቡት በNVDIA ነው እና በNeMo Talkal AI Toolkit በኩል ተሰራጭተዋል።

ጃስፐር እና ኳርትዝኔት ያለ ግልጽ አሰላለፍ ለማሰልጠን ምን አይነት ኪሳራ ይጠቀማሉ?

ሁለቱም የCTC ኪሳራን ይጠቀማሉ፣ ይህም ተለዋዋጭ-ርዝመት ኦዲዮን ከቁምፊ ቅደም ተከተሎች ጋር ያስተካክላል

ቅልጥፍናዎች በጃስፐር ጥልቅ (እስከ 54-ንብርብር) አውታረመረብ ውስጥ እንዲፈስ የሚረዳው የትኛው መዋቅራዊ ባህሪ ነው?

ጃስፐር ጥቅጥቅ ያሉ ቀሪ (ዝለል) ግንኙነቶችን ይጠቀማል ስለዚህም ቅልጥፍናዎች በንፅህና በጥልቅ ኮንቮሉሽን ቁልል ውስጥ ይሰራጫሉ።