연결주의자의 시간 분류
CTC(Connectionist Temporal Classification)는 각 사운드를 각 문자에 직접 정렬하지 않고도 신경망이 긴 오디오 시퀀스를 텍스트로 변환할 수 있는 손실 함수 및 디코딩 방법입니다.
개요
It made end-to-end speech recognition practical by solving the brutal alignment problem.
심층 분석
음성이 지저분합니다. 'hello'라는 단어는 40개의 오디오 프레임에 걸쳐 있을 수 있으며 어느 프레임이 'h'인지 정확하게 라벨을 붙이는 사람은 아무도 없습니다. 2006년 Alex Graves가 소개한 CTC는 이를 회피합니다. 네트워크는 모든 프레임에 대해 문자(+ 특수 '빈' 토큰)에 대한 확률을 출력합니다. 그런 다음 CTC는 반복되는 문자를 병합한 다음 공백을 삭제하는 두 가지 규칙 후에 대상 텍스트로 축소되는 프레임별 경로로 유효한 정렬을 정의합니다. 많은 경로가 동일한 텍스트에 매핑되기 때문에 CTC는 동적 프로그래밍 알고리즘(전진-후진 알고리즘)을 사용하여 모든 경로의 확률을 합산하고 해당 총계를 최대화하도록 네트워크를 훈련시킵니다. 빈 토큰은 모델이 '여기에는 새로운 것이 없습니다'라고 말하고 'hello'의 이중 L처럼 실제 반복을 분리하는 영리한 트릭입니다.
기술적 통찰력
CTC의 핵심 가정은 조건부 독립성입니다. 오디오가 제공되면 각 프레임의 출력은 언어 모델이 포함되지 않고 독립적으로 예측됩니다. 이는 순방향 합계를 다루기 쉽게 하지만 CTC가 뾰족하고 뾰족한 출력(대부분 비어 있고 날카로운 문자 스파이크가 있음)을 생성하는 경향이 있으며 디코딩 시 외부 언어 모델의 이점을 얻습니다. 프리픽스-빔 디코딩이라고도 하는 융합 LM을 사용한 빔 검색은 탐욕스러운 argmax 디코딩에 비해 정확도를 크게 향상시킵니다.
전략적 영향
접근 및 도달
전사, 내레이션, 음성 인터페이스를 통해 접근성을 향상시킵니다.
비용 및 예산
미디어 팀은 더 적은 예산으로 세련된 오디오를 더 빠르게 출시할 수 있습니다.
속도와 규모
고객 대면 시스템은 음성 상호 작용을 더 큰 규모로 처리할 수 있습니다.
연결주의 시간 분류의 미래
CTC는 특히 스트리밍과 짧은 대기 시간이 중요한 경우 여전히 주력 제품으로 남아 있으며 하이브리드 'CTC/주의' 모델에서 주의 또는 변환기 목표와 함께 보조 손실로 점점 더 많이 사용되고 있습니다. CTC는 더 큰 멀티태스킹 음성 시스템 내에서 빠르고 간단한 디코더 분기로, 그리고 단어에 타임스탬프를 찍는 강제 정렬 도구 뒤에 있는 정렬 엔진으로 지속될 것으로 기대됩니다. wav2vec 2.0과 같은 자체 감독 인코더는 일반적으로 CTC 헤드를 사용하여 미세 조정됩니다.
실제 구현
CTC 헤드로 wav2vec 2.0을 미세 조정하여 저자원 언어로 오픈 소스 음성-텍스트 모델 구축
CTC 강제 정렬을 통해 자막 및 노래방에 대한 단어 및 음소 수준 타임스탬프 생성
스트리밍 CTC 모델이 최소한의 지연 시간으로 스크립트를 작성하는 기기 내 실시간 캡션 제공
CTC가 개별 문자를 미리 분할하지 않고 필기체 줄을 읽는 필기 인식
위험 및 가드레일
동의가 없으면 음성 오용 및 명의 도용 위험이 높아집니다.
악센트, 방언 또는 시끄러운 환경에서는 정확도가 떨어질 수 있습니다.
합성 오디오는 명확한 라벨링이 없으면 실제 음성으로 오인될 수 있습니다.
구현 로드맵
음성 캡처, 복제 및 재사용에 대한 명시적인 동의를 얻습니다.
다양한 화자와 배경 조건에서 품질을 테스트합니다.
사람이 출력을 검토하거나 승인해야 하는 시기를 정의합니다.
합성 오디오에 라벨을 붙이고 책임을 묻기 위해 출처 기록을 보관하세요.
계속 탐색하세요
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Connectionist Temporal Classification quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
다음 가이드
음악 장르 분류
자주 묻는 질문
What is Connectionist Temporal Classification?
CTC(Connectionist Temporal Classification)는 각 사운드를 각 문자에 직접 정렬하지 않고도 신경망이 긴 오디오 시퀀스를 텍스트로 변환할 수 있는 손실 함수 및 디코딩 방법입니다. 잔인한 정렬 문제를 해결하여 종단 간 음성 인식을 실용적으로 만들었습니다.
CTC는 음성 인식을 해결하기 위해 어떤 핵심 문제를 설계했습니까?
CTC를 사용하면 어떤 프레임이 어떤 문자에 해당하는지 라벨을 지정하지 않고도 네트워크가 (오디오, 텍스트) 쌍에 대해 훈련할 수 있어 정렬 문제를 해결할 수 있습니다.
CTC의 특수 '공백' 토큰은 무엇에 사용되나요?
빈 토큰을 사용하면 모델이 프레임에 '새로운 것이 없음'을 방출할 수 있으며, 결정적으로 'hello'의 이중 L과 같은 실제 반복을 축소된 반복에서 분리합니다.
CTC는 타겟 전사에 대한 손실을 어떻게 계산합니까?
CTC는 정방향 동적 프로그래밍 알고리즘을 사용하여 반복을 병합하고 공백을 삭제한 후 대상에 매핑되는 모든 정렬에 대한 확률을 합산합니다.
프레임 경로를 최종 텍스트로 변환하기 위해 CTC가 적용하는 두 가지 축소 규칙은 무엇입니까?
원시 프레임별 경로는 먼저 인접한 중복 문자를 병합한 다음 모든 공백 토큰을 제거하여 디코딩됩니다.
표준 CTC는 출력에 대해 어떤 단순화된 가정을 합니까?
CTC는 프레임당 조건부 독립성을 가정합니다. 이는 합산을 다루기 쉽게 하지만 내장된 언어 모델이 없음을 의미합니다.