የንግግር እውቅና መመሪያ SpecAugment

አጠቃላይ እይታ

ምንም አዲስ የኦዲዮ ወይም የሞዴል ለውጥ ሳይኖር በማመሳከሪያዎች ላይ ትክክለኛነትን ከፍ አድርጓል።

ጥልቅ ዳይቭ

SpecAugment፣ በGoogle Brain (Park et al.) በ2019 አስተዋወቀ፣ ከጥሬው ሞገድ ቅርጽ ይልቅ በቀጥታ የሎግሜል ስፔክትሮግራምን በማስተካከል የንግግር ማወቂያ ስልጠናን ይጨምራል። ሶስት ክዋኔዎችን ይተገብራል፡ በጊዜ ዘንጉ ላይ ድምጹን በትንሹ የሚዘረጋ ወይም የሚጨምቀው የጊዜ መራገጥ; የድግግሞሽ መሸፈኛ, ይህም የድግግሞሽ ቻናሎች ባንዶችን ያስወግዳል; እና የጊዜ መሸፈኛ፣ ይህም የጊዜ እርከኖችን ባዶ ያደርገዋል። የስፔክትሮግራም ቁርጥራጮች በተደበቁበት ጊዜ ሞዴሉ ንግግርን እንዲያውቅ በማስገደድ ፣ SpecAugment እንደ መደበኛነት ይሠራል እና ከመጠን በላይ መገጣጠምን ይከላከላል። በሚያስደንቅ ሁኔታ ርካሽ እና ውጤታማ ነበር፣ የLAS አይነት ሞዴሎች በLibriSpeech እና Switchboard ላይ በወቅቱ የቃላት ስህተት ደረጃ ላይ እንዲደርሱ በመርዳት እና በዘመናዊ ASR ማሰልጠኛ ቧንቧዎች ውስጥ ነባሪ ንጥረ ነገር ሆኖ ይቆያል።

ቴክኒካዊ ግንዛቤ

SpecAugment ልክ እንደ ምስል በ2D spectrogram ላይ ይሰራል። የድግግሞሽ ጭንብል የሜል-ድግግሞሽ ቻናሎችን በዘፈቀደ ያግዳል ፤ ጊዜን መደበቅ በተደጋጋሚ ክፈፎች የዘፈቀደ እገዳን ያስወግዳል; የጊዜ መጨናነቅ interpolation በመጠቀም በጊዜ ዘንግ ላይ የተመረጠውን ነጥብ ይለውጣል። በአንድ ቃል በርካታ ጭምብሎች ሊተገበሩ ይችላሉ. ጭምብሎቹ እያንዳንዱን ዘመን ስለሚቀይሩ ሞዴሉ የእያንዳንዱን ምሳሌ ማለቂያ የሌላቸውን ልዩነቶች በብቃት ይመለከታል ፣ አዲስ መረጃ ሳይሰበስብ አጠቃላይነትን 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።

የንግግር እውቅና የወደፊት የ SpecAugment

SpecAugment በንግግር ማወቂያ ውስጥ ቅርብ የሆነ ሁለንተናዊ ነባሪ ሆኗል እና ወደ ሌሎች የድምጽ ተግባራት እንደ የድምጽ ማጉያ ማረጋገጫ እና የድምጽ ምደባ እየተሰራጨ ነው። የወደፊት ስራ ፖሊሲዎችን በራስ-ሰር የመደበቅ ወይም በስልጠና ወቅት ያስተካክላቸዋል፣ እና የስፔክትሮግራም ጭንብልን በራስ ቁጥጥር ከሚደረግ የቅድመ ስልጠና ዓላማዎች ጋር ያጣምራል። ሞዴሎች እያደጉ ሲሄዱ፣ ያለ ተጨማሪ ምልክት የተደረገበት ኦዲዮ ጥንካሬን የሚጨምር ርካሽ መጨመር በተለይም መረጃ እምብዛም በማይገኝባቸው ዝቅተኛ የመረጃ ምንጭ ለሆኑ ቋንቋዎች ከፍተኛ ዋጋ ያለው ሆኖ ይቆያል።

የእውነተኛ-ዓለም አተገባበር

በሥልጠና ወቅት የስፔክትሮግራም ባንዶችን በመደበቅ በLibriSpeech ላይ የቃል ስህተት መጠንን ማሻሻል

ከመጠን በላይ መገጣጠምን ለመቀነስ እንደ LAS ወይም Conformer ያሉ ከጫፍ እስከ ጫፍ ያሉ የASR ሞዴሎችን መደበኛ ማድረግ

አዲስ ኦዲዮ ሳይቀዳ ለዝቅተኛ ምንጭ ቋንቋዎች የተገደበ የውሂብ ስብስቦችን መጨመር

ጭንብል ሃሳቡን ከተናጋሪ ማረጋገጫ እና የድምጽ ክስተት ምደባ ጋር ማላመድ

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 SpecAugment for Speech Recognition 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

የካልዲ ንግግር ማወቂያ መሣሪያ ስብስብ

ቀጣዩን መመሪያ ያንብቡ ሁሉንም ጥያቄዎች ያስሱ

በተደጋጋሚ የሚጠየቁ ጥያቄዎች

የንግግር ዕውቅና ለማግኘት SpecAugment ምንድን ነው?

SpecAugment የማወቂያ ሞዴሎችን የበለጠ ጠንካራ ለማድረግ የንግግር ስፔክትሮግራምን የሚሸፍን እና የሚያጠነጥን ቀላል ነገር ግን ኃይለኛ የውሂብ መጨመር ዘዴ ነው። ምንም አዲስ የኦዲዮ ወይም የሞዴል ለውጥ ሳይኖር በማመሳከሪያዎች ላይ ትክክለኛነትን ከፍ አድርጓል።

SpecAugment በምን ላይ ነው የሚሰራው?

SpecAugment ከጥሬው ሞገድ ይልቅ ስፔክትሮግራም (የጊዜ-ድግግሞሽ ውክልና) በቀጥታ ያስተካክላል።

ከእነዚህ ውስጥ የ SpecAugment ሶስት ኦፕሬሽኖች የትኛው ነው?

ሦስቱ ክዋኔዎች ጊዜን መጨፍጨፍ፣ የድግግሞሽ ጭንብል እና ጊዜን መደበቅ ናቸው።

የ SpecAugment ዋና ዓላማ ምንድን ነው?

የስፔክትሮግራም ክፍሎችን በመደበቅ, ሞዴሉን በአጠቃላይ እንዲጨምር ያስገድደዋል, ከመጠን በላይ መገጣጠምን ይቀንሳል እና የስህተት መጠኖችን ይቀንሳል.

'የጊዜ መሸፈኛ' ምን ያደርጋል?

ጊዜን መደበቅ በስፔክትሮግራም የጊዜ ዘንግ ላይ ያለ የዘፈቀደ ብሎክ ተከታታይ ፍሬሞችን ያስወግዳል።

ጭምብሉን በየዘመናቱ መለወጥ ለምን ይረዳል?

የተለያዩ የዘፈቀደ ጭምብሎች በእያንዳንዱ ዘመን ማለት ሞዴሉ ማለቂያ የለሽ ልዩነቶች ያጋጥመዋል ፣ ይህም ያለ አዲስ መረጃ አጠቃላይነትን ያሻሽላል።