ডিপস্পীচ আর্কিটেকচার

DeepSpeech হল একটি এন্ড-টু-এন্ড স্পিচ রিকগনিশন মডেল যা 2014 সালে Baidu দ্বারা প্রবর্তিত হয়েছিল যা CTC ক্ষতির সাথে প্রশিক্ষিত একটি পুনরাবৃত্ত নিউরাল নেটওয়ার্ক ব্যবহার করে সরাসরি পাঠ্যের সাথে কাঁচা অডিও বৈশিষ্ট্যগুলিকে ম্যাপ করে৷ এটি জটিল, হ্যান্ড-ইঞ্জিনিয়ারড ASR পাইপলাইন থেকে শেখা, ডেটা-চালিত সিস্টেমের দিকে স্থানান্তর করতে অগ্রণী ভূমিকা পালন করতে সাহায্য করেছে।

ক্লাসিক বক্তৃতা শনাক্তকারীরা হ্যান্ড-টিউন করা উপাদানগুলির সাথে আলাদা অ্যাকোস্টিক মডেল, উচ্চারণ অভিধান এবং ভাষার মডেলগুলি একসাথে সেলাই করে। ডিপস্পীচ এর বেশিরভাগই একটি একক নিউরাল নেটওয়ার্ক প্রশিক্ষিত প্রান্ত থেকে শেষের সাথে প্রতিস্থাপন করেছে। এর আর্কিটেকচারটি ছোট অডিও ফ্রেমের উপর স্পেকট্রোগ্রাম বা MFCC বৈশিষ্ট্যগুলি নেয় এবং সেগুলিকে বেশ কয়েকটি সম্পূর্ণ সংযুক্ত স্তরের মাধ্যমে ফিড করে, একটি দ্বিমুখী পুনরাবৃত্ত স্তর যা অতীত এবং ভবিষ্যতের প্রসঙ্গ ক্যাপচার করে এবং একটি আউটপুট স্তর প্রতিটি ধাপে অক্ষরগুলির উপর একটি সম্ভাব্যতা বন্টন তৈরি করে। গুরুত্বপূর্ণভাবে, এটি সংযোগবাদী টেম্পোরাল ক্লাসিফিকেশন (CTC) ব্যবহার করে, যা নেটওয়ার্ককে ফ্রেম-স্তরের লেবেলের প্রয়োজন ছাড়াই অডিও এবং পাঠ্যের মধ্যে প্রান্তিককরণ শিখতে দেয়। Mozilla পরে একটি জনপ্রিয় ওপেন-সোর্স ইমপ্লিমেন্টেশন (এলএসটিএম-ভিত্তিক, স্ট্রিমেবল ডিজাইন ব্যবহার করে নতুন সংস্করণ সহ) প্রকাশ করে, যা পদ্ধতিটিকে ব্যাপকভাবে অ্যাক্সেসযোগ্য করে তোলে।