À suivreGuide suivant
Marquage automatique de la musique
IA audio
GUIDE de l'IA audio
Écouter, assister et épeler
Listen, Attend and Spell (LAS) est un modèle de reconnaissance vocale de bout en bout de 2015 qui mappe les caractéristiques d'un banc de filtres acoustiques à des séquences de caractères.
Écoutez ce guideNarré par l'IA · ~2 min
Sur cette page2 minutes de lecture
Aperçu
Son écouteur est un encodeur récurrent pyramidal ; son Speller est un décodeur récurrent basé sur l'attention. L'article original rapporte les résultats d'un sous-ensemble de recherche vocale spécifique Google et n'établit pas que LAS a surpassé le système de production comparé.
Plongée profonde
L'article LAS définit deux composants : un Listener, un encodeur récurrent pyramidal qui accepte les spectres de bancs de filtres, et un Speller, un décodeur récurrent basé sur l'attention qui émet des caractères. L'encodeur pyramidal réduit la longueur de la séquence, ce qui facilite la gestion des images codées. L'article décrit l'apprentissage conjoint des composants du module de reconnaissance et rapporte que son modèle a généré des séquences de caractères sans dictionnaire de prononciation ni modèle de langage formé séparément. Sur un sous-ensemble de recherche vocale Google, il rapporte 14,1 % de WER sans modèle de langage et 10,3 % avec une nouvelle notation du modèle de langage ; le résultat CLDNN-HMM comparé était de 8,0 %. Ces chiffres historiques s’appliquent à l’évaluation spécifique du document.
Mise en œuvre dans le monde réel
Utilisez LAS comme exemple historique d'un système de reconnaissance d'encodeur-décodeur qui émet des caractères à partir d'une entrée acoustique.
Inspectez comment l’écouteur pyramidal réduit la longueur de la séquence d’encodeur.
Tracez comment l'attention connecte chaque étape de sortie de Speller aux états de l'encodeur.
Comparez le WER rapporté uniquement dans le cadre de la tâche et de la configuration d'évaluation indiquées dans l'article.
L'avenir de l'écoute, de l'assistance et de l'orthographe
LAS est historiquement utile pour comprendre l’ASR de bout en bout basé sur l’attention. Les systèmes ultérieurs ont exploré différents encodeurs, objectifs et mécanismes de streaming ; les performances et la latence doivent être comparées sur les mêmes données et conditions de décodage.
Le mettre en pratique
Pourquoi c'est important
- Accès et portée. Il améliore l'accessibilité grâce à la transcription, à la narration et aux interfaces vocales.
- Coût et budget. Les équipes médias peuvent produire un son de qualité plus rapidement avec des budgets plus réduits.
- Vitesse et échelle. Les systèmes orientés client peuvent traiter les interactions orales à plus grande échelle.
Attention à
- Les risques d’utilisation abusive de la voix et d’usurpation d’identité augmentent lorsque le consentement fait défaut.
- La précision peut chuter en fonction des accents, des dialectes ou des environnements bruyants.
- L’audio synthétique peut être confondu avec une parole authentique sans étiquetage clair.
Prochaines étapes
- Obtenez un consentement explicite pour la capture vocale, le clonage et la réutilisation.
- Testez la qualité sur divers locuteurs et conditions d’arrière-plan.
- Définissez quand un humain doit examiner ou approuver les résultats.
- Étiquetez l’audio synthétique et conservez des enregistrements de provenance pour des raisons de responsabilité.
Continuez à explorer
Newsletter gratuite
Recevez le briefing quotidien sur l'IA
Trois histoires d'IA vérifiées chaque matin de la semaine, écrites dans un anglais simple. Gratuit pour toujours, sans publicité.
Un e-mail chaque jour de la semaine. Désabonnez-vous en un clic. Nous ne vendons ni ne partageons jamais votre adresse.
Testez-vous
Take the Listen Attend and Spell quiz
Commentaires instantanés sur chaque réponse et un certificat partageable avec une pièce d'identité vérifiable une fois que vous avez réussi un cours.
Soutenez l’enseignement gratuit de l’IA. AI Understanding est une organisation à but non lucratif 501(c)(3) : pas de publicité, pas de paywall, jamais. Faire un don
Questions fréquemment posées
Qu'est-ce qu'Écouter, Attendre et Épeler ?
Listen, Attend and Spell (LAS) est un modèle de reconnaissance vocale de bout en bout de 2015 qui mappe les caractéristiques d'un banc de filtres acoustiques à des séquences de caractères. Son écouteur est un encodeur récurrent pyramidal ; son Speller est un décodeur récurrent basé sur l'attention. L'article original rapporte les résultats d'un sous-ensemble de recherche vocale spécifique Google et n'établit pas que LAS a surpassé le système de production comparé.
Quelles sont les deux principales composantes du modèle LAS ?
LAS se compose d'un encodeur « Listener » qui traite l'audio et d'un décodeur basé sur l'attention « Speller » qui émet des caractères.
Que produit le Speller dans LAS ?
Le Speller est un décodeur qui produit la transcription caractère par caractère, apprenant directement l'orthographe.
Pourquoi l'encodeur LAS est-il appelé « pyramidal » ?
Chaque couche du BLSTM pyramidal réduit de moitié la longueur de la séquence, raccourcissant ainsi la longue séquence audio afin que l'attention soit réalisable par le calcul.
De quel composant plus ancien LAS n'a-t-il PAS besoin notamment ?
Contrairement aux pipelines HMM-DNN classiques, LAS apprend directement à partir de paires audio-texte, sans dictionnaire de phonèmes ni alignement forcé.
Quel mécanisme permet au Speller de se concentrer sur la partie pertinente de l’audio pour chaque personnage ?
Un mécanisme d'attention calcule les pondérations sur les états du codeur, formant un vecteur de contexte que le décodeur utilise à chaque étape.
Continuez à apprendre
Guides associés
Plus de guides sélectionnés pour ce sujet