A seguirPróximo guia
Marcação automática de música
IA de áudio
GUIA de IA de áudio
Ouça, assista e soletre
Listen, Attend and Spell (LAS) is a 2015 end-to-end speech-recognition model that maps acoustic filter-bank features to character sequences.
Ouça este guiaNarrado por IA · ~2 min
Nesta página2 minutos de leitura
Visão geral
Its Listener is a pyramidal recurrent encoder; its Speller is an attention-based recurrent decoder. The original paper reports results for a specific Google voice-search subset and does not establish that LAS outperformed the compared production system.
Mergulho profundo
The LAS paper defines two components: a Listener, a pyramidal recurrent encoder that accepts filter-bank spectra, and a Speller, an attention-based recurrent decoder that emits characters. The pyramidal encoder reduces sequence length, making attention over the encoded frames more manageable. The paper describes joint learning of recognizer components and reports that its model generated character sequences without a pronunciation dictionary or a separately trained language model. On a subset of Google voice search, it reports 14.1% WER without a language model and 10.3% with language-model rescoring; the compared CLDNN-HMM result was 8.0%. These historical numbers apply to the paper’s specific evaluation.
Implementação no mundo real
Use LAS as a historical example of an encoder-decoder recognizer that emits characters from acoustic input.
Inspect how the pyramidal Listener reduces the length of the encoder sequence.
Trace how attention connects each Speller output step to encoder states.
Compare reported WER only within the paper’s stated task and evaluation setup.
O futuro de ouvir, assistir e soletrar
LAS is useful historically for understanding attention-based end-to-end ASR. Later systems explored different encoders, objectives, and streaming mechanisms; performance and latency must be compared on the same data and decoding conditions.
Colocando em prática
Por que isso importa
- Acesso e alcance. Melhora a acessibilidade por meio de transcrição, narração e interfaces de voz.
- Custo e orçamento. As equipes de mídia podem enviar áudio sofisticado com mais rapidez e com orçamentos menores.
- Velocidade e escala. Os sistemas voltados para o cliente podem processar interações faladas em maior escala.
Cuidado com
- Os riscos de uso indevido de voz e falsificação de identidade aumentam quando falta consentimento.
- A precisão pode diminuir em sotaques, dialetos ou ambientes barulhentos.
- O áudio sintético pode ser confundido com fala autêntica sem uma rotulagem clara.
Próximas etapas
- Obtenha consentimento explícito para captura, clonagem e reutilização de voz.
- Teste a qualidade em diversos alto-falantes e condições de fundo.
- Defina quando um ser humano deve revisar ou aprovar os resultados.
- Rotule o áudio sintético e mantenha registros de procedência para fins de prestação de contas.
Continue explorando
Boletim informativo gratuito
Receba o resumo diário de IA
Três histórias verificadas de IA a cada manhã de dia útil, escritas em linguagem simples. Gratuito para sempre, sem anúncios.
Um e-mail a cada dia útil. Cancele a inscrição com um clique. Nunca vendemos ou compartilhamos seu endereço.
Teste você mesmo
Take the Listen Attend and Spell quiz
Feedback instantâneo sobre cada resposta e um certificado compartilhável com um ID verificável assim que você concluir um curso.
Apoie a educação gratuita em IA. O AI Understanding é uma organização sem fins lucrativos 501(c)(3) — sem anúncios, sem paywall, nunca. Faça uma doação
Perguntas frequentes
What is Listen Attend and Spell?
Listen, Attend and Spell (LAS) is a 2015 end-to-end speech-recognition model that maps acoustic filter-bank features to character sequences. Its Listener is a pyramidal recurrent encoder; its Speller is an attention-based recurrent decoder. The original paper reports results for a specific Google voice-search subset and does not establish that LAS outperformed the compared production system.
Quais são os dois componentes principais do modelo LAS?
O LAS consiste em um codificador 'Listener' que processa o áudio e um decodificador 'Speller' baseado em atenção que emite caracteres.
O que o Speller no LAS produz?
O Speller é um decodificador que produz a transcrição caractere por caractere, aprendendo a ortografia diretamente.
Por que o codificador LAS é chamado de 'piramidal'?
Cada camada do BLSTM piramidal reduz pela metade o comprimento da sequência, encurtando a longa sequência de áudio para que a atenção seja computacionalmente viável.
Qual componente mais antigo o LAS NÃO exige?
Ao contrário dos pipelines HMM-DNN clássicos, o LAS aprende diretamente a partir de pares de áudio para texto, sem dicionário de fonemas ou alinhamento forçado.
Qual mecanismo permite que o Speller se concentre na parte relevante do áudio de cada caractere?
Um mecanismo de atenção calcula pesos sobre os estados do codificador, formando um vetor de contexto que o decodificador usa em cada etapa.
Continue aprendendo
Guias relacionados
Mais guias escolhidos para este tópico