অডিও এআই গাইড

শুনুন উপস্থিত এবং বানান

Listen, Attend and Spell (LAS) is a 2015 end-to-end speech-recognition model that maps acoustic filter-bank features to character sequences.

এই নির্দেশিকা শুনুনএআই-বর্ণিত · ~2 min

এই পৃষ্ঠায়2 মিনিট পঠিত
  1. ওভারভিউ
  2. গভীর ডুব
  3. বাস্তব-বিশ্ব বাস্তবায়ন
  4. দ্য ফিউচার অফ লিসেন অ্যাটেন্ড অ্যান্ড স্পেল
  5. এটাকে বাস্তবে প্রয়োগ করা হচ্ছে
  6. অন্বেষণ চালিয়ে যান
  7. প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী

ওভারভিউ

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.

গভীর ডুব

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.

বাস্তব-বিশ্ব বাস্তবায়ন

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.

দ্য ফিউচার অফ লিসেন অ্যাটেন্ড অ্যান্ড স্পেল

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.

এটাকে বাস্তবে প্রয়োগ করা হচ্ছে

কেন এটা গুরুত্বপূর্ণ

  • অ্যাক্সেস এবং পৌঁছানো. এটি ট্রান্সক্রিপশন, বর্ণনা এবং ভয়েস ইন্টারফেসের মাধ্যমে অ্যাক্সেসযোগ্যতা উন্নত করে।
  • খরচ ও বাজেট. মিডিয়া দলগুলি ছোট বাজেটের সাথে পালিশ করা অডিও দ্রুত পাঠাতে পারে।
  • গতি এবং স্কেল. গ্রাহক-মুখী সিস্টেমগুলি বৃহত্তর স্কেলে কথ্য মিথস্ক্রিয়া প্রক্রিয়া করতে পারে।

জন্য সতর্ক

  • সম্মতি অনুপস্থিত হলে ভয়েস অপব্যবহার এবং ছদ্মবেশের ঝুঁকি বেড়ে যায়।
  • উচ্চারণ, উপভাষা বা কোলাহলপূর্ণ পরিবেশে যথার্থতা হ্রাস পেতে পারে।
  • সিন্থেটিক অডিও পরিষ্কার লেবেল ছাড়া খাঁটি বক্তৃতা হিসাবে ভুল হতে পারে।

পরবর্তী পদক্ষেপ

  1. ভয়েস ক্যাপচার, ক্লোনিং এবং পুনঃব্যবহারের জন্য সুস্পষ্ট সম্মতি পান।
  2. বিভিন্ন স্পিকার এবং ব্যাকগ্রাউন্ড কন্ডিশন জুড়ে মান পরীক্ষা করুন।
  3. কখন একজন মানুষকে আউটপুট পর্যালোচনা বা অনুমোদন করতে হবে তা নির্ধারণ করুন।
  4. সিন্থেটিক অডিও লেবেল করুন এবং দায়বদ্ধতার জন্য মূল রেকর্ড রাখুন।

অন্বেষণ চালিয়ে যান

ফ্রি নিউজলেটার

প্রতিদিনের এআই ব্রিফিং পান

প্রতি সপ্তাহের কাজের দিন সকালে তিনটি যাচাইকৃত এআই স্টোরি, সহজ ইংরেজিতে লেখা। চিরকালের জন্য ফ্রি, কোনো বিজ্ঞাপন নেই।

প্রতি সপ্তাহের কাজের দিনে একটি ইমেল। এক ক্লিকেই আনসাবস্ক্রাইব করুন। আমরা কখনোই আপনার ঠিকানা বিক্রি বা শেয়ার করি না।

নিজেকে পরীক্ষা করুন

Take the Listen Attend and Spell quiz

প্রতিটি উত্তরের তাৎক্ষণিক ফিডব্যাক, এবং কোর্স পাস করার পর যাচাইযোগ্য আইডি সহ একটি শেয়ারযোগ্য সার্টিফিকেট।

কুইজ শুরু করুন

ফ্রি এআই শিক্ষাকে সমর্থন করুন। AI Understanding একটি 501(c)(3) অলাভজনক প্রতিষ্ঠান — কোনো বিজ্ঞাপন নেই, কোনো পেওয়াল নেই, কখনোই না। একটি দান করুন

প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী

What is Listen Attend and Spell?

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.

LAS মডেলের দুটি প্রধান উপাদান কী কী?

LAS একটি 'শ্রোতা' এনকোডার নিয়ে গঠিত যা অডিও প্রক্রিয়া করে এবং একটি 'স্পেলার' মনোযোগ-ভিত্তিক ডিকোডার যা অক্ষর নির্গত করে।

LAS আউটপুটে বানান কি করে?

স্পেলার হল একটি ডিকোডার যা অক্ষর অনুসারে প্রতিলিপি অক্ষর তৈরি করে, সরাসরি বানান শেখে।

কেন LAS এনকোডারকে 'পিরামিডাল' বলা হয়?

পিরামিডাল BLSTM-এর প্রতিটি স্তর সিকোয়েন্সের দৈর্ঘ্যকে অর্ধেক করে, দীর্ঘ অডিও সিকোয়েন্সকে ছোট করে যাতে মনোযোগ গণনাগতভাবে সম্ভব হয়।

LAS উল্লেখযোগ্যভাবে কোন পুরানো উপাদান প্রয়োজন হয় না?

ক্লাসিক HMM-DNN পাইপলাইনের বিপরীতে, LAS সরাসরি অডিও-টু-টেক্সট জোড়া থেকে শেখে কোনো ফোনমি অভিধান বা জোরপূর্বক প্রান্তিককরণ ছাড়াই।

কোন প্রক্রিয়াটি বানানকারীকে প্রতিটি অক্ষরের জন্য অডিওর প্রাসঙ্গিক অংশে ফোকাস করতে দেয়?

একটি মনোযোগ প্রক্রিয়া এনকোডার অবস্থার উপর ওজন গণনা করে, একটি প্রসঙ্গ ভেক্টর গঠন করে যা ডিকোডার প্রতিটি ধাপে ব্যবহার করে।

শিখতে থাকুন

সম্পর্কিত গাইড

এই বিষয়ের জন্য বাছাই করা আরও গাইড

একটি বিনামূল্যে AI শংসাপত্র পানএকটি সংক্ষিপ্ত বিনামূল্যে কোর্স এবং পরীক্ষা. কোনো খরচ নেই, কোনো কার্ড নেই। প্রায় 2.5 ঘন্টা।বিনামূল্যে শুরু করুন →