LegközelebbKövetkező útmutató
Zenei műfaji besorolás
Hangalapú AI
Audio AI ÚTMUTATÓ
Connectionist Temporal Classification (CTC) trains sequence models when input frames are available but frame-to-label alignment is unknown.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
It sums over possible paths that collapse to the target sequence.
Graves et al. introduce CTC for unsegmented sequence labeling. The model predicts a distribution over labels plus blank at each input time step; CTC defines a many-to-one map from frame-level paths to target sequences and sums probabilities over all paths that collapse to the target. The approach avoids explicit alignment labels but assumes conditional independence of output distributions across time steps given the input representation.
Speech frames can be aligned to a transcript without manually labeling each frame.
A blank symbol allows separation between repeated output labels.
CTC collapses repeated labels and then removes blank symbols to form an output.
Beam search with a language model can combine acoustic path scores and linguistic context.
Use CTC when unaligned sequence labels are available and the independence assumption is acceptable. Compare greedy and beam decoding on the target vocabulary and language model. The cited paper does not imply CTC is ideal for all streaming or sequence-transduction tasks.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
Connectionist Temporal Classification (CTC) trains sequence models when input frames are available but frame-to-label alignment is unknown. It sums over possible paths that collapse to the target sequence.
A CTC lehetővé teszi a hálózati edzést (hang, szöveg) párokon anélkül, hogy bárki felcímkézné, hogy melyik képkocka melyik karakternek felel meg, ezzel megoldja az igazítási problémát.
Az üres token lehetővé teszi, hogy a modell „semmi újat” adjon ki egy kereten, és kritikus szempontból elválasztja az igazi ismétlődéseket, például a dupla-L-t a „hello”-ban az összecsukott ismétlésektől.
CTC defines the target probability as the sum of probabilities of all frame-level paths that collapse to the target transcription. Dynamic programming computes this sum efficiently; the recurrence is a separate computational detail.
A nyers képkocka-útvonal dekódolása a szomszédos ismétlődő karakterek egyesítésével, majd az összes üres tokent eltávolításával történik.
A CTC keretenkénti feltételes függetlenséget feltételez, ami az összegzést követhetővé teszi, de azt jelenti, hogy nincs beépített nyelvi modell.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Zenei műfaji besorolás
Hangalapú AI