Ouça, assista e soletre
Ouvir, Atender e Soletrar (LAS) é uma rede neural marcante de 2015 que transcreve a fala diretamente em caracteres, sem dicionário de pronúncia construído à mão ou modelo de linguagem separado.
Visão geral
It showed that a single end-to-end model could do speech recognition.
Mergulho profundo
Ouvir, Atender e Soletrar, apresentado pelos pesquisadores Google Chan, Jaitly, Le e Vinyals em 2015, foi um dos primeiros verdadeiros reconhecedores de fala de ponta a ponta. Ele tem duas partes: um 'Listener', um LSTM piramidal bidirecional que codifica o áudio enquanto reduz a dimensão do tempo, e um 'Speller', um decodificador LSTM baseado em atenção que emite caracteres um de cada vez. O mecanismo de atenção permite que o Speller se concentre na fatia relevante do áudio para cada letra de saída. Ao contrário dos pipelines HMM-DNN mais antigos, o LAS não precisa de dicionário de fonemas, de alinhamento forçado e de modelo de linguagem treinado separadamente; ele aprende ortografia, limites de palavras e acústica em conjunto a partir do áudio transcrito. Ele inspirou diretamente sistemas ASR modernos de sequência a sequência e baseados em atenção.
Visão Técnica
LAS combina um codificador-decodificador com atenção. O codificador piramidal LSTM reduz pela metade a resolução de tempo em cada uma das três camadas, cortando uma longa sequência acústica em um comprimento gerenciável para que a atenção seja tratável. A cada etapa de decodificação, o Speller calcula os pesos de atenção sobre todos os estados do codificador, combina-os em um vetor de contexto e prevê o próximo caractere. O treinamento maximiza a probabilidade da sequência correta de caracteres; um truque de amostragem programada reduz a incompatibilidade de treinamento/teste.
Impacto Estratégico
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.
O futuro de ouvir, assistir e soletrar
O LAS é agora histórico, mas o seu ADN está presente em todos os sistemas ASR modernos. Sua ideia de codificador-decodificador baseado em atenção evoluiu para reconhecedores Transformer e Conformer, enquanto abordagens relacionadas, como RNN-Transducer, potencializam o ditado no dispositivo. Os sistemas futuros continuam esta trajetória de ponta a ponta, fundindo reconhecimento com tradução e compreensão em modelos multilíngues únicos, e avançando em direção à transcrição de streaming e de baixa latência que o LAS, sendo não-streaming, não poderia fornecer originalmente.
Implementação no mundo real
Transcrever o inglês falado diretamente em letras sem um dicionário de pronúncia
Servindo como base conceitual para sistemas de ditado e legendagem de voz baseados em atenção
Demonstração de treinamento completo para cursos acadêmicos de reconhecimento de fala e benchmarks
Modelos inspiradores de sequência a sequência usados posteriormente em pipelines de tradução de fala
Riscos e guarda-corpos
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.
Roteiro de implementação
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
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 Listen Attend and Spell 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
Próximo guia
Marcação automática de música
Perguntas frequentes
What is Listen Attend and Spell?
Ouvir, Atender e Soletrar (LAS) é uma rede neural marcante de 2015 que transcreve a fala diretamente em caracteres, sem dicionário de pronúncia construído à mão ou modelo de linguagem separado. Mostrou que um único modelo ponta a ponta poderia fazer reconhecimento de fala.
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.