ΕπόμενοΕπόμενος οδηγός
Αυτόματη προσθήκη ετικετών μουσικής
Ήχος AI
ΟΔΗΓΟΣ Audio AI
Ακούστε Παρακολούθηση και ορθογραφία
Listen, Attend and Spell (LAS) is a 2015 end-to-end speech-recognition model that maps acoustic filter-bank features to character sequences.
Ακούστε αυτόν τον οδηγόαφήγηση με AI · ~2 min
Σε αυτήν τη σελίδα2 λεπτά ανάγνωση
Επισκόπηση
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.
Βαθιά κατάδυση
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.
Υλοποίηση σε πραγματικό κόσμο
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.
The Future of Listen Attend and Spell
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.
Κάνοντάς το στην πράξη
Γιατί έχει σημασία
- Πρόσβαση και προσέγγιση χρηστών. Βελτιώνει την προσβασιμότητα μέσω διασυνδέσεων μεταγραφής, αφήγησης και φωνής.
- Κόστος και προϋπολογισμός. Οι ομάδες πολυμέσων μπορούν να αποστέλλουν γυαλισμένο ήχο πιο γρήγορα με μικρότερους προϋπολογισμούς.
- Ταχύτητα και κλίμακα. Τα συστήματα που αντιμετωπίζουν πελάτες μπορούν να επεξεργάζονται προφορικές αλληλεπιδράσεις σε μεγαλύτερη κλίμακα.
Προσέξτε
- Οι κίνδυνοι κατάχρησης φωνής και πλαστοπροσωπίας αυξάνονται όταν λείπει η συγκατάθεση.
- Η ακρίβεια μπορεί να πέσει σε τόνους, διαλέκτους ή θορυβώδη περιβάλλοντα.
- Ο συνθετικός ήχος μπορεί να εκληφθεί εσφαλμένα ως αυθεντική ομιλία χωρίς σαφή σήμανση.
Επόμενα βήματα
- Λάβετε ρητή συγκατάθεση για λήψη φωνής, κλωνοποίηση και επαναχρησιμοποίηση.
- Δοκιμάστε την ποιότητα σε διαφορετικά ηχεία και συνθήκες φόντου.
- Καθορίστε πότε ένας άνθρωπος πρέπει να επανεξετάσει ή να εγκρίνει τα αποτελέσματα.
- Επισημάνετε τον συνθετικό ήχο και κρατήστε αρχεία προέλευσης για υπευθυνότητα.
Συνεχίστε την εξερεύνηση
Δωρεάν ενημερωτικό δελτίο
Λάβετε την καθημερινή ενημέρωση AI
Τρία επαληθευμένα νέα AI κάθε πρωί της εβδομάδας, γραμμένα σε απλή αγγλική. Δωρεάν για πάντα, χωρίς διαφημίσεις.
Ένα email κάθε εργάσιμη ημέρα. Κατάργηση συνδρομής με ένα κλικ. Δεν πουλάμε ή μοιραζόμαστε ποτέ τη διεύθυνσή σας.
Δοκιμάστε τον εαυτό σας
Take the Listen Attend and Spell quiz
Άμεση ανάδραση σε κάθε απάντηση, και πιστοποιητικό με επαληθεύσιμο ID μόλις περάσετε το μάθημα.
Υποστηρίξτε τη δωρεάν εκπαίδευση AI. AI Understanding είναι μια μη κερδοσκοπική οργάνωση 501(c)(3) — χωρίς διαφημίσεις, χωρίς τοίχο πληρωμής, ποτέ. Κάντε μια δωρεά
Συχνές ερωτήσεις
Τι είναι το 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.
Ποια είναι τα δύο κύρια στοιχεία του μοντέλου LAS;
Το LAS αποτελείται από έναν κωδικοποιητή «Listener» που επεξεργάζεται τον ήχο και έναν αποκωδικοποιητή «Speller» που βασίζεται στην προσοχή που εκπέμπει χαρακτήρες.
Τι βγάζει ο ορθογράφος στο LAS;
Ο ορθογράφος είναι ένας αποκωδικοποιητής που παράγει τη μεταγραφή χαρακτήρα ανά χαρακτήρα, μαθαίνοντας απευθείας την ορθογραφία.
Γιατί ο κωδικοποιητής LAS ονομάζεται «πυραμιδικός»;
Κάθε στρώμα του πυραμιδικού BLSTM μειώνει στο μισό το μήκος της ακολουθίας, συντομεύοντας τη μεγάλη ακολουθία ήχου, ώστε η προσοχή να είναι υπολογιστικά εφικτή.
Ποιο παλαιότερο στοιχείο ΔΕΝ απαιτεί το LAS;
Σε αντίθεση με τους κλασικούς αγωγούς HMM-DNN, το LAS μαθαίνει απευθείας από ζεύγη ήχου σε κείμενο χωρίς λεξικό φωνημάτων ή αναγκαστική στοίχιση.
Ποιος μηχανισμός επιτρέπει στον ορθογραφικό να εστιάζει στο σχετικό μέρος του ήχου για κάθε χαρακτήρα;
Ένας μηχανισμός προσοχής υπολογίζει τα βάρη πάνω από τις καταστάσεις κωδικοποιητή, σχηματίζοντας ένα διάνυσμα περιβάλλοντος που χρησιμοποιεί ο αποκωδικοποιητής σε κάθε βήμα.
Συνέχισε να μαθαίνεις
Σχετικοί οδηγοί
Επιλέχθηκαν περισσότεροι οδηγοί για αυτό το θέμα