التاليالدليل التالي
وضع العلامات التلقائي على الموسيقى
الذكاء الاصطناعي الصوتي
دليل الصوت AI
الاستماع الحضور والتهجئة
Listen, Attend and Spell (LAS) is a 2015 end-to-end speech-recognition model that maps acoustic filter-bank features to character sequences.
استمع إلى هذا الدليلرواه الذكاء الاصطناعي · ~2 min
في هذه الصفحةقراءة لمدة دقيقتين
نظرة عامة
Its Listener is a pyramidal recurrent encoder; its Speller is an attention-based recurrent decoder. The original paper reports results for a specific Google voice-search subset and does not establish that LAS outperformed the compared production system.
الغوص العميق
The LAS paper defines two components: a Listener, a pyramidal recurrent encoder that accepts filter-bank spectra, and a Speller, an attention-based recurrent decoder that emits characters. The pyramidal encoder reduces sequence length, making attention over the encoded frames more manageable. The paper describes joint learning of recognizer components and reports that its model generated character sequences without a pronunciation dictionary or a separately trained language model. On a subset of Google voice search, it reports 14.1% WER without a language model and 10.3% with language-model rescoring; the compared CLDNN-HMM result was 8.0%. These historical numbers apply to the paper’s specific evaluation.
التنفيذ في العالم الحقيقي
Use LAS as a historical example of an encoder-decoder recognizer that emits characters from acoustic input.
Inspect how the pyramidal Listener reduces the length of the encoder sequence.
Trace how attention connects each Speller output step to encoder states.
Compare reported WER only within the paper’s stated task and evaluation setup.
مستقبل الاستماع والحضور والتهجئة
LAS is useful historically for understanding attention-based end-to-end ASR. Later systems explored different encoders, objectives, and streaming mechanisms; performance and latency must be compared on the same data and decoding conditions.
وضعها موضع التنفيذ
لماذا يهم
- الوصول والوصول. يعمل على تحسين إمكانية الوصول من خلال واجهات النسخ والسرد والصوت.
- التكلفة والميزانية. يمكن للفرق الإعلامية شحن الصوت المصقول بشكل أسرع بميزانيات أصغر.
- السرعة والحجم. يمكن للأنظمة التي تواجه العملاء معالجة التفاعلات المنطوقة على نطاق أوسع.
احترس من
- تزداد مخاطر إساءة استخدام الصوت وانتحال الشخصية عند فقدان الموافقة.
- يمكن أن تنخفض الدقة عبر اللهجات أو اللهجات أو البيئات الصاخبة.
- يمكن الخلط بين الصوت الاصطناعي والكلام الأصيل دون تصنيف واضح.
الخطوات التالية
- الحصول على موافقة صريحة لالتقاط الصوت واستنساخه وإعادة استخدامه.
- اختبار الجودة عبر مكبرات الصوت المتنوعة وظروف الخلفية.
- تحديد متى يجب على الإنسان مراجعة المخرجات أو الموافقة عليها.
- قم بتسمية الصوت الاصطناعي واحتفظ بسجلات المصدر للمساءلة.
استمر في الاستكشاف
رسالة إخبارية مجانية
احصل على الإحاطة اليومية لمنظمة العفو الدولية
ثلاث قصص تم التحقق منها بواسطة الذكاء الاصطناعي كل صباح من أيام الأسبوع، مكتوبة باللغة الإنجليزية البسيطة. مجاني للأبد، بدون إعلانات.
بريد إلكتروني واحد كل يوم من أيام الأسبوع. إلغاء الاشتراك بنقرة واحدة. نحن لا نبيع أو نشارك عنوانك أبدًا.
اختبر نفسك
Take the Listen Attend and Spell quiz
تعليقات فورية على كل إجابة، وشهادة قابلة للمشاركة مع معرف يمكن التحقق منه بمجرد اجتياز الدورة التدريبية.
دعم تعليم الذكاء الاصطناعي المجاني. AI Understanding هي منظمة 501(c)(3) غير ربحية - لا إعلانات ولا نظام حظر الاشتراك غير المدفوع على الإطلاق. قم بالتبرع
الأسئلة المتداولة
ما هو الاستماع الحضور والتهجئة؟
Listen, Attend and Spell (LAS) is a 2015 end-to-end speech-recognition model that maps acoustic filter-bank features to character sequences. Its Listener is a pyramidal recurrent encoder; its Speller is an attention-based recurrent decoder. The original paper reports results for a specific Google voice-search subset and does not establish that LAS outperformed the compared production system.
ما هما المكونان الرئيسيان لنموذج LAS؟
يتكون LAS من برنامج تشفير "مستمع" يقوم بمعالجة الصوت وجهاز فك ترميز يعتمد على الانتباه "Speller" والذي يصدر أحرفًا.
ماذا يفعل Speller في إخراج LAS؟
Speller عبارة عن وحدة فك ترميز تنتج حرفًا نصيًا تلو الآخر، وتعلم التهجئة مباشرة.
لماذا يسمى جهاز التشفير LAS "الهرمي"؟
تعمل كل طبقة من طبقات BLSTM الهرمية على خفض طول التسلسل إلى النصف، مما يؤدي إلى تقصير التسلسل الصوتي الطويل بحيث يكون الانتباه ممكنًا من الناحية الحسابية.
ما هو المكون الأقدم الذي لا يتطلبه نظام LAS بشكل خاص؟
على عكس خطوط أنابيب HMM-DNN الكلاسيكية، يتعلم LAS مباشرة من أزواج الصوت إلى النص بدون قاموس صوتي أو محاذاة قسرية.
ما هي الآلية التي تسمح للمدقق بالتركيز على الجزء ذي الصلة من الصوت لكل حرف؟
تقوم آلية الانتباه بحساب الأوزان على حالات التشفير، مما يشكل ناقل سياق يستخدمه مفكك التشفير في كل خطوة.
استمر في التعلم
أدلة ذات صلة
تم اختيار المزيد من الأدلة لهذا الموضوع