Il prossimoProssima guida
Shallow Fusion con modelli linguistici nell'ASR
IA audio
GUIDA AI audio
The Recurrent Neural Network Transducer (RNN-T) combines an input encoder, a prediction network over previous output labels and a joint network to produce streaming sequence outputs.
Ascolta questa guidaNarrato dall'IA · ~1 min
RNN-T combines an encoder over acoustic input, a prediction network over prior output labels, and a joint network that scores next-label choices. Its alignment lattice permits zero or more nonblank label emissions at an input frame; a blank transition advances the frame without emitting a label. This enables monotonic streaming behavior while accommodating variable output length, but does not imply zero latency or perfect recognition.
The encoder summarizes acoustic input frames.
The prediction network summarizes previously emitted output labels.
The joint network combines both representations to score blank and label transitions.
A blank transition advances the input time without emitting a label, enabling streaming alignment.
Evaluate RNN-T with the target acoustic conditions, chunking strategy and decoder. Report latency alongside error rate and include endpointing behavior. The cited papers describe specific transducer systems and do not establish universal superiority over CTC or attention models.
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
The Recurrent Neural Network Transducer (RNN-T) combines an input encoder, a prediction network over previous output labels and a joint network to produce streaming sequence outputs.
RNN-T aggiunge una rete di previsione che condiziona i token precedenti, rimuovendo il presupposto di CTC secondo cui ogni uscita è indipendente dato l'audio.
RNN-T accoppia un codificatore audio con una rete di previsione condizionata dal testo, fusa da una piccola rete congiunta che assegna il punteggio al token successivo.
La rete di previsione funziona come un modello linguistico interno sulla cronologia dei token di output, fornendo a RNN-T ortografia e modelli di parole realistici.
RNN-T percorre un reticolo monotono time-by-token, quindi può emettere output quando l'audio arriva con una latenza limitata anziché attendere la clip completa.
Nel reticolo RNN-T, uno spazio fa avanzare l'asse del tempo (sposta al fotogramma audio successivo), mentre uno spazio non vuoto fa avanzare l'asse dell'etichetta.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Shallow Fusion con modelli linguistici nell'ASR
IA audio