Wav2Letter Convolutional ASR
Wav2Letter ni mfumo wa utambuzi wa usemi kutoka mwisho hadi mwisho kutoka Facebook AI ambao ulitumia mitandao ya neva ya kubadilisha tu, hakuna kujirudia.
Muhtasari
It mattered as a fast, simple alternative that proved CNNs alone could transcribe speech competitively.
Dive ya kina
Ilianzishwa na Utafiti wa Facebook AI mnamo 2016, Wav2Letter iliachana na mbinu kuu zinazorudiwa na msingi wa HMM kwa kutegemea kabisa mitandao ya neva ili kupanga sauti moja kwa moja kwa wahusika (herufi), kwa hivyo jina. Hapo awali ilifunzwa kwa hasara maalum ya AutoSegCriterion (ASG), mbadala rahisi zaidi ya upotevu wa kawaida wa CTC ambao ulidondosha alama tupu na ubadilishaji wa herufi zilizoigwa moja kwa moja. Iliyoandikwa kwa C++ kwa kutumia mandhari ya nyuma ya Tochi/ArrayFire, iliundwa kwa kasi kwenye CPU na GPU. Matoleo ya baadaye, Wav2Letter++ na lahaja inayokubalika kikamilifu, iliongezwa hadi seti kubwa za data na kufikia viwango vya hitilafu vya maneno kwenye Librispeech. Muundo wake wa ushawishi pekee uliifanya iweze kusawazishwa kwa kiwango cha juu na ifaafu kwa makisio ikilinganishwa na misimbo ya mfululizo ya RNN.
Ufahamu wa Kiufundi
Wav2Letter huweka mrundikano wa muda wa 1D juu ya vipengele vya akustisk, huku kila safu ikipanua uga pokezi hivyo mlundikano wa kina unanasa muktadha mrefu bila kujirudia. Kwa sababu convolutions huchakata hatua zote za wakati sambamba, mafunzo na uelekezaji ni haraka. Hasara asili ya ASG ni sawa na CTC lakini huondoa tokeni tupu na kuongeza alama dhahiri za ubadilishaji wa herufi hadi herufi, na hivyo kutoa kigezo cha mfuatano kinachoweza kutofautishwa kikamilifu ambacho hupatanisha sauti ya urefu tofauti na tokeo la herufi bila lebo za kila fremu.
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 Wav2Letter Convolutional ASR
Ukoo wa moja kwa moja wa Wav2Letter huishi katika Tochi, maktaba ya mashine ya kujifunza ya C++ ya Facebook, na kuarifu miundo ya wav2vec inayojisimamia ambayo sasa inatawala. Somo pana zaidi, kwamba usanifu na usanifu sambamba unaweza kuendana na urudiaji, kulishwa moja kwa moja kwenye ASR inayotegemea transfoma. Tarajia mifumo ya siku zijazo ili kuendelea kukopa msisitizo wa Wav2Letter juu ya mabomba bora, sambamba na yanayotofautiana kikamilifu huku ukiweka juu ya mafunzo ya awali yanayojidhibiti yenyewe kwa lugha zenye rasilimali kidogo.
Utekelezaji wa Ulimwengu Halisi
Unukuzi wa wakati halisi ambapo muda wa kusubiri wa chini, uelekezaji sambamba ni muhimu zaidi kuliko pointi chache za usahihi
Kitambulisho cha matamshi kwenye kifaa au kinachounganishwa na CPU ambacho hakiwezi kumudu visimbaji vizito vinavyojirudia
Misingi ya utafiti inayolinganisha ASR ya ushawishi dhidi ya RNN na mifumo ya kibadilishaji transfoma kwenye Librispeech
Inatumika kama msingi wa uhandisi wa maktaba ya Tochi ya Facebook na miundo ya baadaye ya wav2vec
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 Wav2Letter Convolutional 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
Mwongozo unaofuata
Mitandao ya Neural ya Convolutional
Maswali yanayoulizwa mara kwa mara
What is Wav2Letter Convolutional ASR?
Wav2Letter ni mfumo wa utambuzi wa usemi kutoka mwisho hadi mwisho kutoka Facebook AI ambao ulitumia mitandao ya neva ya kubadilisha tu, hakuna kujirudia. Ilikuwa muhimu kama njia mbadala ya haraka na rahisi ambayo ilithibitisha kuwa CNN pekee inaweza kunakili hotuba kwa ushindani.
Wav2Letter inategemea usanifu gani wa mtandao wa neva pekee?
Wav2Letter inajulikana kwa kutumia mitandao ya neva ya kushawishi tu, kuepuka kujirudia kabisa.
Ni shirika gani lilianzisha Wav2Letter hapo awali?
Wav2Letter ilianzishwa na Facebook AI Research mwaka wa 2016 na baadaye ikabadilishwa kuwa maktaba ya Tochi.
Je, 'barua' katika Wav2Letter inarejelea nini?
Wav2Letter hupanga muundo wa wimbi la sauti moja kwa moja kwa mlolongo wa herufi (herufi), mbinu ya mwisho hadi mwisho.
Je, upotezaji wa asili wa AutoSegCriterion (ASG) unatofautiana vipi na upotezaji wa kawaida wa CTC?
ASG hudondosha tokeni tupu ya CTC na badala yake inaongeza alama za ubadilishaji wazi kati ya herufi huku zikisalia kutofautishwa kikamilifu.
Je, ni faida gani muhimu ya kiutendaji ya muundo wa mabadiliko pekee wa Wav2Letter?
Tofauti na RNN zinazofuatana, miunganisho inaweza kukokotwa kwa sambamba katika muda, na kufanya mfumo kuwa wa haraka na bora.