ДалееСледующее руководство
Обучение искусственному интеллекту
Основы
Аудио РУКОВОДСТВО ПО ИИ
Обучение инварианту перестановок
Обучение, инвариантное к перестановкам (PIT), — это умный трюк обучения, который позволяет модели разделять несколько голосов, не заботясь о том, в какой выходной слот попадает каждый голос.
Прослушайте это руководствоОзвучено ИИ · ~2 min
На этой странице2 минуты чтения
Обзор
It solved a stubborn labeling problem that had blocked progress in speech separation.
Глубокое погружение
Когда сеть выводит два отдельных голоса, не существует естественного правила, по которому на выходе должен быть «динамик 1» или «динамик 2». Если обучение всегда ожидает говорящего A в выходных данных 1, но модель помещает A в выходные данные 2, она получает штраф, даже если разделение было идеальным. Эта «проблема с перестановкой меток» приводила к тому, что модели давали размытые усредненные результаты. Представленный Донг Ю и его коллегами в 2017 году, PIT исправляет проблему, пробуя все возможные пары между выходными данными модели и истинными источниками, вычисляя ошибку для каждого и сохраняя только назначение с наименьшей ошибкой для обновления модели. Таким образом, сеть вознаграждается за четкое разделение независимо от порядка, благодаря чему последовательное обучение нескольких динамиков наконец-то работает.
Реальная реализация
Обучение нейронных сетей разделению двух или более перекрывающихся говорящих в записях встреч и разговоров.
Питание систем разделения с одним микрофоном, используемых в качестве внешнего интерфейса для распознавания речи.
Включение PIT на уровне высказывания позволяет каждому говорящему назначать один и тот же выходной канал на протяжении всего разговора.
Служит целью обучения в эталонных моделях разделения, оцениваемых на таких наборах данных, как WSJ0-2mix.
Будущее обучения, инвариантного к перестановкам
PIT остается основой исследований разделения, но новые направления уменьшают его комбинаторную стоимость и неоднозначность порядка. Такие подходы, как рекурсивное разделение, извлекают по одному говорящему за раз, а методы целевого говорящего полностью исключают перестановку за счет обусловленности голосовой репликой. Эвристические и графические схемы распределения направлены на масштабирование PIT до большего и переменного количества говорящих. Ожидайте, что идеи в стиле PIT сохранятся везде, где модель должна выдавать неупорядоченный набор выходных данных, даже за пределами звука.
Применение на практике
Почему это важно
- 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.
Следите за
- 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.
Следующие шаги
- 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
Бесплатная рассылка
Получайте ежедневный AI-обзор
Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.
Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.
Проверьте себя
Take the Permutation Invariant Training quiz
Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.
Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование
Часто задаваемые вопросы
What is Permutation Invariant Training?
Обучение, инвариантное к перестановкам (PIT), — это умный трюк обучения, который позволяет модели разделять несколько голосов, не заботясь о том, в какой выходной слот попадает каждый голос. Он решил упорную проблему маркировки, которая блокировала прогресс в разделении речи.
Какую основную проблему решает инвариантное обучение перестановкам (PIT)?
PIT решает проблему перестановки меток: нет никакой причины, по которой выход 1 должен быть динамиком A, а не динамиком B.
Как PIT решает, какую ошибку использовать при обновлении модели?
PIT оценивает потери для каждой возможной перестановки и выполняет обратное распространение только назначения с минимальными потерями.
Что произойдет с результатами модели разделения без такого решения, как PIT?
Непоследовательная маркировка привела к противоречивым градиентам, подталкивая модель к усредненным, размытым оценкам говорящих.
Сколько перестановок должен учитывать PIT за шаг, чтобы разделить N динамиков?
Есть Н! способов назначить N выходов N источникам, поэтому масштабирование PIT для многих динамиков становится дорогостоящим.
Какое преимущество дает PIT на уровне высказывания (uPIT) по сравнению с назначением на уровне кадра?
uPIT фиксирует одну перестановку для всего высказывания, не позволяя говорящим переключать каналы в середине предложения.
Продолжайте учиться
Связанные руководства
Другие руководства, выбранные по этой теме