የካልዲ ንግግር ማወቂያ መሣሪያ ስብስብ
ካልዲ የንግግር ማወቂያ ስርዓቶችን ለመገንባት ዋና የምርምር መድረክ የሆነ ነፃ፣ ክፍት ምንጭ መሳሪያ ነው።
አጠቃላይ እይታ
It matters because for nearly a decade it was the go-to foundation for academic and industrial ASR work.
ጥልቅ ዳይቭ
በ2011 የተለቀቀው እና በዳንኤል ፖቬይ የሚመራው ካልዲ፣ በ C++ የተፃፈው በ bash እና Perl ስክሪፕቶች የተጣበቁ የምግብ አዘገጃጀት መመሪያዎች ነው። በጥንታዊው ASR ቧንቧ መስመር ላይ ገንብቷል፡ የአኮስቲክ ባህሪያትን (ኤምኤፍሲሲ ወይም የማጣሪያ ባንኮች)፣ የሞዴል ፎነሜ ድምጾችን ከGaussian Mixture Models ጋር ወይም በኋላ ላይ ጥልቅ የነርቭ ኔትወርኮችን አውጥቶ የአኮስቲክ ሞዴልን፣ የቃላት አነባበብ መዝገበ ቃላትን እና የቋንቋ ሞዴልን በአንድ ሊፈለግ በሚችል ግራፍ ያጣምራል። የቴክኒካዊ ምርጫው ሁሉንም የእውቀት ምንጮችን ወደ አንድ ዲኮዲንግ ግራፍ ለማዘጋጀት ከOpenFST ቤተ-መጽሐፍት የተመዘኑ ውሱን ግዛት ተርጓሚዎችን (WFSTs) በመጠቀም ነበር። ካልዲ እንደ ስዊችቦርድ፣ ሊብሪስፔክ እና ዎል ስትሪት ጆርናል ላሉ መደበኛ የውሂብ ስብስቦች 'የምግብ አዘገጃጀቶችን' ልኳል፣ ይህም ተመራማሪዎች ዘመናዊ ውጤቶችን እንዲባዙ አስችሏቸዋል። አዳዲስ ስርዓቶች መመዘኛ የተደረገበት የማጣቀሻ ትግበራ ሆነ።
ቴክኒካዊ ግንዛቤ
የካልዲ ዋና ተንኮል አራት WFSTዎችን በአንድ ግራፍ ውስጥ HCLG ማቀናበር ነው፡ H ካርታዎች ኔራል-ኔት ወይም ጂኤምኤም ወደ አውድ-ጥገኛ ስልኮች፣ C ፎነቲክ አውድ (ትሪፎን) ያስተናግዳል፣ L የቃላት አጠራር የቃላት አጠራር ስልኮችን ነው፣ እና G የቋንቋ ሞዴል ነው። እነዚህን ተርጓሚዎች ማባዛት እና ውጤቱን ማመቻቸት ዲኮደሩ በጨረር የተከረከመ ቫይተርቢ አልጎሪዝም አንድ ነጠላ ግራፍ ያስገኛል፣ ይህም የድምጽ ፍሬሞችን ወደ ከፍተኛው የቃላት ቅደም ተከተል በብቃት ይቀይራል።
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።
የወደፊት የካልዲ ንግግር እውቅና መሣሪያ ስብስብ
የካልዲ ዲቃላ ኤችኤምኤም-ዲኤንኤን አቀራረብ በቀጥታ ድምጽን ወደ ጽሑፍ በሚያሳዩ ከጫፍ እስከ ጫፍ የነርቭ ሞዴሎች ተተክቷል። የዳንኤል ፖቬይ ተተኪ ፕሮጀክት፣ k2 (ከአይስፎል እና ሎተሴ ስነ-ምህዳር ጋር)፣ የካልዲ WFST ሃሳቦችን በፒቶርች ሊለያይ በሚችል ውስን-ግዛት አውቶሜትታ እንደገና ያስባል። ካልዲ እራሱ ታሪካዊ ማጣቀሻ እና የማስተማሪያ መሳሪያ ሆኖ እንዲቆይ ይጠብቁ፣የፅንሰ-ሃሳቡ ዘሮቹ ግን ክላሲካል የተዋቀረ ዲኮዲንግ ከዘመናዊ ትራንስፎርመር ላይ ከተመሰረቱ እና በራስ የሚተዳደር የአኮስቲክ ሞዴሎችን ያዋህዳሉ።
የእውነተኛ-ዓለም አተገባበር
አዲስ የአኮስቲክ ሞዴል ምርምርን ለማረጋገጥ Librispeech እና Switchboard መለኪያዎችን የሚደግሙ የአካዳሚክ ቤተ-ሙከራዎች
የካልዲ የምግብ አዘገጃጀቶችን በመጠቀም ለአነስተኛ ምንጭ ወይም ለአናሳ ቋንቋዎች ብጁ የድምጽ ማዘዣ ስርዓቶችን መገንባት
የግዳጅ ኦዲዮን ወደ የቋንቋ ግልባጭ፣ የውሂብ ስብስብ መፍጠር እና የትርጉም ጊዜ አቆጣጠር
ከጫፍ እስከ ጫፍ ያሉ ሞዴሎች ብስለት ከመድረሳቸው በፊት ቀደምት የድምጽ ፍለጋ እና የቃላት አጻጻፍን ማብቃት በኢንዱስትሪ ውስጥ ይደገፋል
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 Kaldi Speech Recognition Toolkit 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
የሹክሹክታ ንግግር እውቅና
በተደጋጋሚ የሚጠየቁ ጥያቄዎች
What is Kaldi Speech Recognition Toolkit?
ካልዲ የንግግር ማወቂያ ስርዓቶችን ለመገንባት ዋና የምርምር መድረክ የሆነ ነፃ፣ ክፍት ምንጭ መሳሪያ ነው። አስፈላጊ ነው ምክንያቱም ለአስር አመታት ያህል ለአካዳሚክ እና ለኢንዱስትሪ የ ASR ስራ መነሻው መሰረት ነበር.
የካልዲ አስኳል በየትኛው የፕሮግራሚንግ ቋንቋ ነው የተፃፈው?
የካልዲ ኮር ለአፈጻጸም በC++ ተጽፎአል፣ ከባሽ እና ፐርል ስክሪፕቶች ጋር ስልጠናውን እና የምግብ አዘገጃጀት መመሪያዎችን መፍታት።
ካልዲ የአኮስቲክ ሞዴሉን፣ መዝገበ ቃላትን እና የቋንቋ ሞዴሉን ወደ አንድ ዲኮዲንግ ግራፍ ለማዋሃድ ምን የሂሳብ መዋቅር ይጠቀማል?
ካልዲ WFSTዎችን ከOpenFST ቤተ-መጽሐፍት ወደ አንድ ነጠላ የኤች.ሲ.ኤል.ጂ ግራፍ አዘጋጅቷል ዲኮደር የሚፈልገው።
የካልዲ ፕሮጀክት ዋና ፈጣሪ እና መሪ ማን ነው?
ዳንኤል ፖቬይ የካልዲ ልማትን መርቷል፣ መጀመሪያ በ2011 የተለቀቀ ሲሆን በኋላም ተተኪውን k2 ፕሮጀክት ጀመረ።
በካልዲ ክላሲክ የቧንቧ መስመር፣ ጂኤምኤምዎች (የጋውሲያን ድብልቅ ሞዴሎች) በመጀመሪያ ለመቅረጽ ምን ነበሩ?
ጥልቅ የነርቭ አውታረ መረቦች በድብልቅ ሲስተሞች ከመተካታቸው በፊት ጂኤምኤምዎች የ phoneme ግዛቶችን አኮስቲክ እድላቸውን ቀርፀዋል።
የካልዲ ዘመናዊው በፒቶርች ላይ የተመሰረተ ተተኪ ሥነ-ምህዳር ስም ማን ይባላል?
k2፣ ከአይስፎል እና ሎተሴ ጋር፣ የካልዲ ውሱን-ግዛት ሃሳቦችን በተለየ፣ ለፒቶርች ተስማሚ በሆነ መልኩ ይተገበራል።