DalšíDalší průvodce
Mělká fúze s jazykovými modely v ASR
Zvuková AI
Zvukový průvodce AI
The Recurrent Neural Network Transducer (RNN-T) combines an input encoder, a prediction network over previous output labels and a joint network to produce streaming sequence outputs.
Poslechněte si tento návodAI-vyprávěný · ~1 min
RNN-T combines an encoder over acoustic input, a prediction network over prior output labels, and a joint network that scores next-label choices. Its alignment lattice permits zero or more nonblank label emissions at an input frame; a blank transition advances the frame without emitting a label. This enables monotonic streaming behavior while accommodating variable output length, but does not imply zero latency or perfect recognition.
The encoder summarizes acoustic input frames.
The prediction network summarizes previously emitted output labels.
The joint network combines both representations to score blank and label transitions.
A blank transition advances the input time without emitting a label, enabling streaming alignment.
Evaluate RNN-T with the target acoustic conditions, chunking strategy and decoder. Report latency alongside error rate and include endpointing behavior. The cited papers describe specific transducer systems and do not establish universal superiority over CTC or attention models.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
The Recurrent Neural Network Transducer (RNN-T) combines an input encoder, a prediction network over previous output labels and a joint network to produce streaming sequence outputs.
RNN-T přidává predikční síť, která podmiňuje předchozí tokeny, čímž odstraňuje předpoklad CTC, že každý výstup je nezávislý na zvuku.
RNN-T spáruje audio kodér s textově podmíněnou predikční sítí, sloučenou malou společnou sítí, která vyhodnocuje další token.
Predikční síť funguje jako interní jazykový model přes historii výstupního tokenu a poskytuje RNN-T realistický pravopis a slovní vzory.
RNN-T prochází monotónní mřížkou času po tokenu, takže může vydávat výstup, když zvuk přichází s omezenou latencí, místo aby čekal na celý klip.
V mřížce RNN-T polotovar posouvá časovou osu (přesun na další zvukový snímek), zatímco prázdný posouvá osu štítku.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Mělká fúze s jazykovými modely v ASR
Zvuková AI