የድምጽ AI መመሪያ

Permutation የማይለዋወጥ ስልጠና

የፔርሙቴሽን ኢንቫሪየንት ማሰልጠኛ (PIT) ሞዴሉ እያንዳንዱን ድምፅ በየትኛው ውፅዓት እንደሚያስገባ ግድ ሳይሰጠው ብዙ ድምጾችን እንዲለይ የሚያደርግ ብልህ የስልጠና ዘዴ ነው።

2 ሚን አንብብለመጨረሻ ጊዜ የዘመነው

አጠቃላይ እይታ

It solved a stubborn labeling problem that had blocked progress in speech separation.

ጥልቅ ዳይቭ

አንድ አውታረ መረብ ሁለት የተለያዩ ድምፆችን ሲያወጣ ውፅዓት 'ተናጋሪ 1' እና 'ስፒከር 2' መሆን ያለበት የተፈጥሮ ህግ የለም። ስልጠና ሁልጊዜ በውጤት 1 ውስጥ ድምጽ ማጉያውን A የሚጠብቅ ከሆነ ግን ሞዴሉ በውጤት 2 ውስጥ A ቢያስቀምጥ ምንም እንኳን መለያየት ፍጹም ቢሆንም ይቀጣል። ይህ 'የመሰየሚያ የመቀየር ችግር' ሞዴሎች ብዥታ፣ አማካኝ ውጤቶችን እንዲፈጥሩ አድርጓል። በ2017 በዶንግ ዩ እና ባልደረቦቹ አስተዋውቋል PIT በአምሳያው ውጤቶች እና በእውነተኛ ምንጮች መካከል ያለውን ማጣመር በመሞከር፣ ስህተቱን ለእያንዳንዱ በማስላት እና ሞዴሉን ለማዘመን ዝቅተኛውን ስህተት ብቻ በመያዝ ያስተካክለዋል። አውታረ መረቡ ምንም ማዘዝ ምንም ይሁን ምን ለንጹህ መለያየት ይሸለማል ፣ ይህም ተከታታይ የብዝሃ ተናጋሪ ስልጠና በመጨረሻ እንዲሰራ ያደርገዋል።

ቴክኒካዊ ግንዛቤ

በእያንዳንዱ የሥልጠና ደረጃ PIT የሚገመተውን ውፅዓት ከማጣቀሻ ምንጮች ጋር ለሚዛመዱ ሁሉም ለውጦች ኪሳራውን ያሰላል፣ ከዚያም ዝቅተኛውን ኪሳራ ብቻ በመጠቀም ወደ ኋላ ይሰራጫል። ለሁለት ተናጋሪዎች ሁለት ጥንድ ናቸው; ለኤን ድምጽ ማጉያዎች, N ፋክቲካል. የንግግር ደረጃ PIT (uPIT) በፍሬም ደረጃ ምደባ ሊፈጥር የሚችለውን የአማካይ ዓረፍተ ነገር ድምጽ ማጉያ መለዋወጥን በማስወገድ አንድ ተናጋሪን በጊዜ ሂደት በተረጋጋ የውጤት ቻናል ውስጥ ለማቆየት በጠቅላላው ንግግሮች ላይ አንድ ንባብ ያስተካክላል።

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።

የፐርሙቴሽን የማይለዋወጥ ስልጠና የወደፊት

PIT የመለያየት ምርምር የጀርባ አጥንት ሆኖ ይቆያል፣ ነገር ግን አዳዲስ አቅጣጫዎች ጥምር ወጪውን ይቀንሳሉ እና አሻሚነትን ያዛሉ። እንደ ተደጋጋሚ መለያየት አንድ ተናጋሪን በአንድ ጊዜ ማውጣት፣ እና ዒላማ ተናጋሪ ዘዴዎች የድምፅ ምልክት ላይ በማስተካከሉ ሙሉ ለሙሉ ማስተላለፎችን ወደ ጎን ይለውጣሉ። በሂዩሪስቲክ እና በግራፍ ላይ የተመሰረተ የምደባ መርሃ ግብሮች PITን ወደ ተለቅ፣ ተለዋዋጭ የድምጽ ማጉያ ቆጠራዎች ማመጣጠን ነው። የPIT አይነት ሀሳቦች አንድ ሞዴል ከድምፅ ባሻገርም ቢሆን ያልታዘዙ የውጤት ስብስቦችን ማፍራት በሚኖርበት ቦታ ሁሉ እንዲቀጥሉ ይጠብቁ።

የእውነተኛ-ዓለም አተገባበር

ሁለት ወይም ከዚያ በላይ ተደራራቢ ድምጽ ማጉያዎችን በስብሰባ እና በመደወል ለመለያየት የነርቭ መረቦችን ማሰልጠን።

ለንግግር ማወቂያ እንደ የፊት ጫፍ የሚያገለግሉ ነጠላ ማይክራፎን መለያየት ስርዓቶችን ማብቃት።

በንግግር ጊዜ ውስጥ እያንዳንዱ ተናጋሪ ወጥነት ባለው የውፅዓት ሰርጥ እንዲመደብ የንግግር ደረጃ PIT ማንቃት።

እንደ WSJ0-2mix ባሉ የውሂብ ስብስቦች ላይ በተገመገሙ የቤንችማርክ መለያየት ሞዴሎች እንደ የሥልጠና ዓላማ ማገልገል።

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

1

ለድምጽ ቀረጻ፣ ክሎኒንግ እና እንደገና ጥቅም ላይ ለማዋል ግልጽ የሆነ ፈቃድ ያግኙ።

2

በተለያዩ የድምጽ ማጉያዎች እና የበስተጀርባ ሁኔታዎች ላይ ጥራትን ይሞክሩ።

3

አንድ ሰው መቼ ውጤቶችን መገምገም ወይም ማጽደቅ እንዳለበት ይግለጹ።

4

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

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 Permutation Invariant Training 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

AI ስልጠና

ቀጣዩን መመሪያ ያንብቡ ሁሉንም ጥያቄዎች ያስሱ

በተደጋጋሚ የሚጠየቁ ጥያቄዎች

What is Permutation Invariant Training?

የፔርሙቴሽን ኢንቫሪየንት ማሰልጠኛ (PIT) ሞዴሉ ብዙ ድምጾችን ያለምንም ጥንቃቄ እንዲለያቸው የሚያደርግ ብልህ የሥልጠና ዘዴ ነው።

የፔርሙቴሽን ኢንቫሪየንት ማሰልጠኛ (PIT) ምን አይነት ችግር ይፈታል?

PIT የመለያውን የመቀየሪያ ችግርን ይመለከታል፡ ምንም አይነት ውስጣዊ ምክንያት የለም 1 ውፅዓት ከድምጽ ማጉያ ቢ ይልቅ ድምጽ ማጉያ A መሆን አለበት።

ሞዴሉን በሚያዘምንበት ጊዜ PIT የትኛውን ስህተት መጠቀም እንዳለበት እንዴት ይወስናል?

PIT ለእያንዳንዱ በተቻለ ማዘዋወር ኪሳራ ይገመግማል እና ዝቅተኛ-ኪሳራ ምደባ ብቻ backpropagates.

እንደ PIT ያለ መፍትሄ፣ የመለያየት ሞዴል ውፅዓት ምን ሊሆን ፈለገ?

የማይጣጣም መለያ መሰየሚያ እርስ በርሱ የሚጋጩ ቀስቶችን ልኳል፣ ሞዴሉን ወደ አማካኝ፣ ወደ የተናጋሪዎቹ ግምቶች በመግፋት።

N ድምጽ ማጉያዎችን ለመለያየት PIT በየደረጃው ምን ያህል ማሰራጫዎች ግምት ውስጥ ማስገባት አለባቸው?

N አሉ! N ውፅዓቶችን ለኤን ምንጮች የመመደብ መንገዶች ፣ለዚህም ነው PITን ለብዙ ድምጽ ማጉያዎች ማመጣጠን ውድ የሚሆነው።

የንግግር ደረጃ PIT (uPIT) በፍሬም ደረጃ ምደባ ላይ ምን ጥቅም ይጨምራል?

uPIT ለመላው አነጋገር አንድ ጊዜን ያስተካክላል፣ ይህም ድምጽ ማጉያዎች በአረፍተ ነገሩ አጋማሽ ላይ ቻናሎችን እንዳይቀይሩ ይከለክላል።

ተዛማጅ መመሪያዎች