Il prossimoProssima guida
Incorporamenti di rappresentazione di matrioska
Intelligenza artificiale linguistica
GUIDA AI audio
Gli incorporamenti audio trasformano il suono in vettori numerici compatti che catturano il significato, in modo che le macchine possano confrontare, cercare e classificare l'audio nel modo in cui gli esseri umani riconoscono una voce o una canzone familiare.
Ascolta questa guidaNarrato dall'IA · ~2 min
They are the hidden engine behind speech recognition, music recommendation, and sound search.
Un incorporamento audio è un elenco di numeri di lunghezza fissa (un vettore) che rappresenta una clip audio in modo da posizionare suoni simili vicini insieme nello spazio matematico. Due registrazioni della stessa parola, o due canzoni dello stesso genere, finiscono l'una accanto all'altra anche se le loro forme d'onda grezze sembrano completamente diverse. I modelli apprendono questi incorporamenti addestrandosi su enormi quantità di audio, spesso senza etichette umane. I sistemi auto-supervisionati come Wav2Vec 2.0, HuBERT e CLAP apprendono prevedendo porzioni di audio mascherate o contrastanti. Una volta addestrati, gli stessi incorporamenti possono essere riutilizzati per molte attività a valle (identificazione del relatore, emozione, etichettatura musicale) con pochissimi dati etichettati aggiuntivi, motivo per cui l'apprendimento della rappresentazione è così prezioso.
Le app musicali come Spotify utilizzano gli incorporamenti per consigliare brani che "suonano simili" anche tra generi diversi e per potenziare l'impronta digitale dell'audio.
Le app in stile Shazam abbinano una registrazione rumorosa a una traccia confrontando l'incorporamento delle impronte digitali anziché l'audio non elaborato.
Gli altoparlanti e i telefoni intelligenti utilizzano gli incorporamenti degli altoparlanti (impronte vocali) per distinguere i membri della famiglia e personalizzare le risposte.
I call center e gli strumenti per riunioni utilizzano gli incorporamenti per la diarizzazione degli oratori, identificando chi ha parlato durante una registrazione.
Aspettatevi che gli incorporamenti audio diventino sempre più multimodali, fusi con testo e video in modo che un unico modello comprenda insieme il suono, le parole e le immagini di una scena. Spazi audio-linguistici congiunti come CLAP consentono la ricerca sonora in linguaggio naturale ("trovare un cane che abbaia vicino al traffico"). Modelli più piccoli di incorporamento sul dispositivo alimenteranno funzionalità vocali private offline su telefoni e auricolari, mentre una più ricca formazione preliminare autocontrollata continua a ridurre la quantità di dati etichettati necessari per nuove lingue ed eventi acustici rari.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
Gli incorporamenti audio trasformano il suono in vettori numerici compatti che catturano il significato, in modo che le macchine possano confrontare, cercare e classificare l'audio nel modo in cui gli esseri umani riconoscono una voce o una canzone familiare. Sono il motore nascosto dietro il riconoscimento vocale, i suggerimenti musicali e la ricerca dei suoni.
Un incorporamento è un vettore numerico denso che posiziona clip dal suono simile vicine insieme nello spazio matematico, catturandone il significato piuttosto che semplici campioni grezzi.
I metodi auto-supervisionati come Wav2Vec 2.0 e HuBERT apprendono da enormi quantità di audio senza etichetta, quindi le attività a valle necessitano di molti meno dati etichettati.
Wav2Vec 2.0 utilizza un obiettivo mascherato e contrastivo: nasconde intervalli di audio e impara a identificare l'unità latente corretta rispetto ai distrattori.
CLAP (Contrastive Language-Audio Pretraining) apprende uno spazio comune in cui i clip audio e le relative descrizioni testuali si avvicinano, consentendo la ricerca del suono basata sul testo.
Le forme d'onda grezze hanno milioni di campioni, quindi l'audio viene solitamente convertito in spettrogrammi o passato attraverso filtri front-end appresi prima della rete principale.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Incorporamenti di rappresentazione di matrioska
Intelligenza artificiale linguistica