Sikiliza Hudhuria na Tahajia
Sikiliza, Hudhuria na Tahajia (LAS) ni mtandao wa kihistoria wa 2015 ambao unanukuu usemi moja kwa moja hadi kwa herufi, bila kamusi ya matamshi iliyojengwa kwa mkono au modeli tofauti ya lugha.
Muhtasari
It showed that a single end-to-end model could do speech recognition.
Dive ya kina
Sikiliza, Hudhuria na Tahajia, ilianzishwa na Google watafiti Chan, Jaitly, Le, na Vinyals mwaka wa 2015, ilikuwa mojawapo ya watambuaji wa kwanza wa kweli wa usemi wa mwisho-mwisho. Ina sehemu mbili: 'Msikilizaji,' LSTM yenye mwelekeo wa piramidi ambayo husimba sauti huku ikipunguza kipimo cha muda, na 'Tahajia,' avkodare ya LSTM inayozingatia umakini ambayo hutoa herufi moja baada ya nyingine. Utaratibu wa umakini huruhusu Tahajia kuzingatia kipande husika cha sauti kwa kila herufi towe. Tofauti na mabomba ya awali ya HMM-DNN, LAS haihitaji kamusi ya fonimu, hakuna upangaji wa kulazimishwa, na hakuna kielelezo cha lugha kilichofunzwa tofauti; hujifunza tahajia, mipaka ya maneno, na sauti kwa pamoja kutoka kwa sauti iliyonakiliwa. Iliongoza moja kwa moja mifumo ya kisasa ya mfuatano-kwa-mfuatano na msingi wa umakini wa ASR.
Ufahamu wa Kiufundi
LAS inachanganya kisimbaji-kisimbuaji kwa umakini. Kisimbaji cha piramidi cha LSTM kinapunguza nusu ya azimio la wakati katika kila safu tatu, na kukata mlolongo mrefu wa akustisk katika urefu unaoweza kudhibitiwa ili umakini uweze kutambulika. Katika kila hatua ya kusimbua Speller hukusanya uzito wa umakini juu ya hali zote za usimbaji, huzichanganya katika vekta ya muktadha, na kutabiri herufi inayofuata. Mafunzo huongeza uwezekano wa mfuatano sahihi wa wahusika; hila ya sampuli iliyoratibiwa hupunguza kutolingana kwa treni/jaribio.
Athari za kimkakati
Kufikia na kufikia
Huboresha ufikiaji kupitia manukuu, simulizi na violesura vya sauti.
Cost and budget
Timu za media zinaweza kusafirisha sauti iliyoboreshwa haraka na bajeti ndogo.
Kasi na kiwango
Mifumo inayowakabili wateja inaweza kuchakata mwingiliano wa mazungumzo kwa kiwango kikubwa.
Mustakabali wa Kusikiliza Hudhuria na Tahajia
LAS sasa ni ya kihistoria, lakini DNA yake inapitia kila mfumo wa kisasa wa ASR. Wazo lake la kusimbua-msingi linalozingatia umakini lilibadilika na kuwa vitambuaji vya Transformer na Conformer, huku mbinu zinazohusiana kama vile imla ya nguvu ya RNN-Transducer kwenye kifaa. Mifumo ya siku zijazo inaendelea na mwelekeo huu wa mwisho hadi mwisho, ikichanganya utambuzi na tafsiri na uelewa katika miundo ya lugha nyingi, na kusukuma kuelekea utiririshaji, unukuzi wa hali ya chini ambao LAS, kwa kuwa sio ya kutiririsha, haikuweza kutoa mwanzoni.
Utekelezaji wa Ulimwengu Halisi
Kunukuu Kiingereza kinachozungumzwa moja kwa moja kwa herufi bila kamusi ya matamshi
Inatumika kama msingi wa dhana wa mifumo ya imla ya sauti inayozingatia umakini na manukuu
Kuonyesha mafunzo ya mwisho hadi mwisho kwa kozi ya kitaaluma ya utambuzi wa usemi na vigezo
Miundo inayovutia ya mfuatano-kwa-mfuatano uliotumiwa baadaye katika mabomba ya tafsiri ya usemi
Hatari & Walinzi
Hatari za matumizi mabaya ya sauti na uigaji huongezeka wakati kibali kinakosekana.
Usahihi unaweza kushuka katika lafudhi, lahaja au mazingira yenye kelele.
Sauti ya syntetisk inaweza kudhaniwa kimakosa kuwa usemi halisi bila kuweka lebo wazi.
Ramani ya Utekelezaji
Pata idhini ya moja kwa moja ya kunasa sauti, kuunda na kutumia tena.
Jaribu ubora kwenye spika na hali mbalimbali za usuli.
Bainisha wakati ni lazima binadamu akague au aidhinishe matokeo.
Weka lebo sauti ya sintetiki na uhifadhi rekodi za asili kwa uwajibikaji.
Endelea Kuchunguza
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
Mwongozo unaofuata
Kuweka lebo Kiotomatiki kwa Muziki
Maswali yanayoulizwa mara kwa mara
What is Listen Attend and Spell?
Sikiliza, Hudhuria na Tahajia (LAS) ni mtandao wa kihistoria wa 2015 ambao unanukuu usemi moja kwa moja hadi kwa herufi, bila kamusi ya matamshi iliyojengwa kwa mkono au modeli tofauti ya lugha. Ilionyesha kuwa kielelezo kimoja cha mwisho hadi mwisho kinaweza kutambua usemi.
Je! ni sehemu gani kuu mbili za mfano wa LAS?
LAS inajumuisha programu ya kusimba ya 'Msikilizaji' ambayo huchakata sauti na avkodare inayozingatia umakini wa 'Speller' ambayo hutoa vibambo.
Speller katika LAS hutoa nini?
Speller ni avkodare ambayo hutoa unukuzi kwa herufi, kujifunza tahajia moja kwa moja.
Kwa nini kisimbaji cha LAS kinaitwa 'pyramidal'?
Kila safu ya piramidi BLSTM inapunguza urefu wa mfuatano kwa nusu, na kufupisha mfuatano mrefu wa sauti ili umakini uwezekane kwa kukokotoa.
Ni sehemu gani ya zamani ambayo LAS HAIHITAJI?
Tofauti na njia za kawaida za HMM-DNN, LAS hujifunza moja kwa moja kutoka kwa jozi za sauti-hadi-maandishi bila kamusi ya fonimu au upangaji wa kulazimishwa.
Ni utaratibu gani huruhusu Tahajia kuzingatia sehemu husika ya sauti kwa kila herufi?
Utaratibu wa umakini hukusanya uzani juu ya hali za kusimba, na kutengeneza vekta ya muktadha ambayo kisimbuaji hutumia katika kila hatua.