डीपस्पीच आर्किटेक्चर

डीपस्पीच 2014 में Baidu द्वारा पेश किया गया एक एंड-टू-एंड स्पीच रिकग्निशन मॉडल है जो सीटीसी हानि के साथ प्रशिक्षित आवर्ती तंत्रिका नेटवर्क का उपयोग करके कच्चे ऑडियो सुविधाओं को सीधे टेक्स्ट में मैप करता है। इसने जटिल, हाथ से इंजीनियर की गई एएसआर पाइपलाइनों से हटकर सीखी हुई, डेटा-संचालित प्रणालियों की ओर बदलाव में मदद की।

सीटीसी एक रिक्त प्रतीक प्रस्तुत करता है और लक्ष्य पाठ में सभी वैध संरेखणों का योग करता है, जिससे प्रति-फ़्रेम लेबल की आवश्यकता समाप्त हो जाती है।

डीपस्पीच ने पारंपरिक मल्टी-स्टेज पाइपलाइन को अंत से अंत तक प्रशिक्षित एक तंत्रिका नेटवर्क से बदल दिया, जो एएसआर डिजाइन में एक बड़ा बदलाव है।

एक द्विदिश आरएनएन दोनों दिशाओं में अनुक्रम को संसाधित करता है, इसलिए प्रत्येक आउटपुट आसपास के ध्वनिक संदर्भ से लाभान्वित होता है, सटीकता में सुधार करता है।

मॉडल फ्रेम-स्तरीय ऑडियो सुविधाओं जैसे स्पेक्ट्रोग्राम या एमएफसीसी का उपभोग करता है और प्रत्येक समय चरण के लिए चरित्र संभावनाओं को आउटपुट करता है।

डिकोडिंग के दौरान ध्वनिक आउटपुट को बाहरी भाषा मॉडल के साथ संयोजित करने से सिस्टम को अधिक प्रशंसनीय शब्द और वर्तनी उत्पन्न करने में मदद मिलती है।