Джаспер и QuartzNet ASR
Jasper и QuartzNet — это комплексные модели сверточного распознавания речи NVIDIA, при этом QuartzNet представляет собой значительно меньшую и эффективную модификацию Jasper.
Обзор
They matter for showing how to get strong accuracy with far fewer parameters, ideal for deployment.
Глубокое погружение
Jasper (просто еще один распознаватель речи), выпущенный NVIDIA в 2019 году, представляет собой глубокую одномерную сверточную сеть, состоящую до 54 слоев, которая сопоставляет функции мел-спектрограммы с символами с использованием потери CTC. Он ввел плотные остаточные связи, поэтому градиенты плавно проходят через очень глубокие стопки. QuartzNet, выпущенный в том же году, сохранил блочную структуру Джаспера, но заменил стандартные свертки свертками, разделяемыми по временным каналам, разделив каждый фильтр на глубокую временную свертку и этап точечного смешивания каналов. Эта факторизация сократила параметры Джаспера с примерно 333 миллионов до примерно 19 миллионов, сохранив при этом точность Librispeech. Оба поставляются с набором инструментов NVIDIA NeMo и настроены для быстрого обучения графического процессора и вывода в реальном времени, что делает их популярными строительными блоками для производственного ASR.
Техническая информация
Эффективность QuartzNet достигается благодаря сверткам, разделяемым по временным каналам, той же идее, что и MobileNet. Обычная одномерная свертка смешивает время и каналы, что требует затрат в K, умноженных на C-in, умноженных на C-out весов. Разделение его на глубинную свертку по времени плюс точечную свертку 1x1 по каналам уменьшает параметры до K, умноженного на C плюс C-in, умноженного на C-out. Сгруппированные в остаточные блоки и обученные с помощью CTC, это дает точность, близкую к Джасперу, за долю размера модели и вычислений.
Стратегическое воздействие
Доступ и охват
Это улучшает доступность за счет транскрипции, повествования и голосовых интерфейсов.
Стоимость и бюджет
Медиа-команды могут выпускать качественное аудио быстрее с меньшими бюджетами.
Скорость и масштаб
Системы, работающие с клиентами, могут обрабатывать устные взаимодействия в большем масштабе.
Будущее Jasper и QuartzNet ASR
История QuartzNet с отделяемой сверткой привела непосредственно к Citrinet от NVIDIA и широко используемым моделям Conformer, которые добавляют самообслуживание для захвата глобального контекста наряду с локальными свертками. Ожидайте продолжения движения к гибридным архитектурам «свертка-плюс-внимание» и декодерам преобразователей (RNN-T) для потоковой передачи. Основной урок — свертки с эффективными параметрами для периферийного развертывания и развертывания в реальном времени — остается центральным, поскольку ASR внедряется в телефоны, автомобили и встраиваемые устройства.
Реальная реализация
Транскрипция и голосовые помощники в реальном времени, развернутые на графических процессорах NVIDIA с помощью набора инструментов NeMo
Edge и встроенный ASR, где небольшой размер QuartzNet подходит для устройств с ограниченным объемом памяти
Точная настройка предварительно обученных контрольных точек QuartzNet для словарей, специфичных для предметной области, таких как медицинские или юридические термины.
Аналитика колл-центра, позволяющая быстро и экономично расшифровывать большие объемы аудио
Риски и ограничения
Риски неправильного использования голоса и выдачи себя за другое лицо возрастают при отсутствии согласия.
Точность может снижаться из-за акцентов, диалектов или шумной обстановки.
Синтетический звук можно принять за аутентичную речь без четкой маркировки.
Дорожная карта реализации
Получите явное согласие на захват, клонирование и повторное использование голоса.
Проверьте качество звука при использовании различных динамиков и фоновых условий.
Определите, когда человек должен проверять или утверждать результаты.
Маркируйте синтетический звук и сохраняйте записи о происхождении для обеспечения ответственности.
Продолжайте исследовать
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 Jasper and QuartzNet ASR 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
Следующее руководство
Сверточный ASR Wav2Letter
Часто задаваемые вопросы
What is Jasper and QuartzNet ASR?
Jasper и QuartzNet — это комплексные модели сверточного распознавания речи NVIDIA, при этом QuartzNet представляет собой значительно меньшую и эффективную модификацию Jasper. Они важны для демонстрации того, как добиться высокой точности при гораздо меньшем количестве параметров, что идеально подходит для развертывания.
Какое ключевое нововведение позволяет QuartzNet использовать гораздо меньше параметров, чем Jasper?
QuartzNet заменяет стандартные свертки свертками, разделяемыми по временным каналам, радикально сокращая количество параметров при сохранении точности.
Сколько примерно параметров имеет QuartzNet по сравнению с ~333 миллионами Джаспера?
QuartzNet сжимается примерно до 19 миллионов параметров, что примерно в 17 раз меньше, но при этом соответствует точности Либриспика Джаспера.
Какая компания разработала Jasper и QuartzNet?
Обе модели были разработаны NVIDIA и распространяются через набор инструментов диалогового искусственного интеллекта NeMo.
Какую функцию потерь используют Джаспер и QuartzNet для обучения без явного выравнивания?
Оба используют потерю CTC, которая выравнивает звук переменной длины с последовательностями символов, не требуя меток для каждого кадра.
Какая структурная особенность помогает градиентам проходить через очень глубокую (до 54 слоев) сеть Джаспера?
Jasper использует плотные остаточные (пропускные) соединения, поэтому градиенты четко распространяются через его глубокий сверточный стек.