คู่มือเสียง AI

สถาปัตยกรรม DeepSpeech

DeepSpeech คือโมเดลการรู้จำคำพูดจากต้นทางถึงปลายทางที่ Baidu เปิดตัวในปี 2014 ซึ่งแมปคุณสมบัติเสียงดิบกับข้อความโดยตรงโดยใช้โครงข่ายประสาทเทียมที่เกิดซ้ำซึ่งได้รับการฝึกฝนเกี่ยวกับการสูญเสีย CTC

ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min

บนหน้านี้อ่าน 2 นาที
  1. ภาพรวม
  2. เจาะลึก
  3. การใช้งานจริงในโลกแห่งความเป็นจริง
  4. อนาคตของสถาปัตยกรรม DeepSpeech
  5. การนำไปปฏิบัติ
  6. สำรวจต่อไป
  7. คำถามที่พบบ่อย

ภาพรวม

It helped pioneer the shift away from complex, hand-engineered ASR pipelines toward learned, data-driven systems.

เจาะลึก

เครื่องรู้จำเสียงพูดแบบคลาสสิกที่รวมโมเดลอะคูสติก พจนานุกรมการออกเสียง และโมเดลภาษาเข้าด้วยกันโดยแยกจากกันด้วยส่วนประกอบที่ได้รับการปรับแต่งด้วยมือ DeepSpeech แทนที่ส่วนใหญ่ด้วยโครงข่ายประสาทเทียมเดียวที่ได้รับการฝึกตั้งแต่ต้นจนจบ สถาปัตยกรรมของมันใช้คุณสมบัติสเปกโตรแกรมหรือ MFCC บนเฟรมเสียงสั้นๆ และป้อนผ่านเลเยอร์ที่เชื่อมต่อกันอย่างสมบูรณ์หลายเลเยอร์ เลเยอร์ที่เกิดซ้ำแบบสองทิศทางที่รวบรวมบริบทจากอดีตและอนาคต และเลเยอร์เอาต์พุตที่สร้างการกระจายความน่าจะเป็นเหนืออักขระในแต่ละขั้นตอนเวลา สิ่งสำคัญที่สุดคือใช้ Connectionist Temporal Classification (CTC) ซึ่งช่วยให้เครือข่ายเรียนรู้การจัดตำแหน่งระหว่างเสียงและข้อความโดยไม่ต้องใช้ป้ายกำกับระดับเฟรม Mozilla ได้เปิดตัวการใช้งานโอเพ่นซอร์สยอดนิยมในเวลาต่อมา (ด้วยเวอร์ชันใหม่กว่าโดยใช้การออกแบบที่ใช้ LSTM และสตรีมได้) ทำให้เข้าถึงแนวทางนี้ได้ในวงกว้าง

การใช้งานจริงในโลกแห่งความเป็นจริง

การจดจำคำสั่งเสียงแบบออฟไลน์บนอุปกรณ์สำหรับแอปพลิเคชันที่เน้นความเป็นส่วนตัวโดยใช้ DeepSpeech แบบเปิดของ Mozilla

การสร้างทรานสคริปต์ฉบับร่างของพอดแคสต์หรือการบรรยายโดยไม่ต้องอาศัยบริการคลาวด์

การสอนพื้นฐานของการสูญเสีย ASR และ CTC แบบ end-to-end ในหลักสูตรการเรียนรู้ของเครื่องของมหาวิทยาลัย

การสร้างอินเทอร์เฟซเสียงแบบกำหนดเองสำหรับ IoT หรืออุปกรณ์ฝังตัวที่จำเป็นต้องมีตัวจดจำที่มีน้ำหนักเบาและสตรีมได้

อนาคตของสถาปัตยกรรม DeepSpeech

DeepSpeech ถูกแทนที่ด้วยสถาปัตยกรรมความสนใจและหม้อแปลงไฟฟ้า (Conformer, Whisper, wav2vec 2.0) ซึ่งจับบริบทที่ยาวขึ้นและควบคุมตนเองเกี่ยวกับเสียงที่ไม่มีป้ายกำกับ แต่แนวคิดหลัก การฝึกอบรมแบบ end-to-end และการถอดรหัส CTC ยังคงเป็นพื้นฐานและยังคงปรากฏอยู่ในระบบไฮบริดสมัยใหม่ มรดกนั้นเป็นแนวคิด: มันพิสูจน์ให้เห็นว่าโมเดลที่เรียนรู้เพียงตัวเดียวสามารถแข่งขันกับไปป์ไลน์ที่ได้รับการออกแบบทางวิศวกรรมอย่างหนักได้ ซึ่งปูทางไปสู่โมเดลพื้นฐานคำพูดขนาดใหญ่ที่พูดได้หลายภาษาและดูแลตนเองในปัจจุบัน

การนำไปปฏิบัติ

ทำไมมันถึงสำคัญ

  • เข้าถึงและเข้าถึง. ปรับปรุงการเข้าถึงผ่านการถอดเสียง คำบรรยาย และอินเทอร์เฟซเสียง
  • ต้นทุนและงบประมาณ. ทีมสื่อสามารถจัดส่งเสียงที่สวยงามได้รวดเร็วยิ่งขึ้นด้วยงบประมาณที่น้อยลง
  • ความเร็วและขนาด. ระบบที่ติดต่อกับลูกค้าสามารถประมวลผลการโต้ตอบด้วยเสียงในขนาดที่ใหญ่ขึ้น

ระวัง

  • การใช้เสียงในทางที่ผิดและการแอบอ้างบุคคลอื่นมีความเสี่ยงเพิ่มขึ้นเมื่อขาดความยินยอม
  • ความแม่นยำอาจลดลงตามสำเนียง ภาษาถิ่น หรือสภาพแวดล้อมที่มีเสียงดัง
  • เสียงสังเคราะห์อาจถูกเข้าใจผิดว่าเป็นเสียงพูดที่แท้จริงโดยไม่มีการกำกับที่ชัดเจน

ขั้นตอนต่อไป

  1. ได้รับความยินยอมอย่างชัดแจ้งสำหรับการจับเสียง การโคลน และการใช้ซ้ำ
  2. ทดสอบคุณภาพกับลำโพงและสภาพพื้นหลังที่หลากหลาย
  3. กำหนดเวลาที่มนุษย์จะต้องตรวจสอบหรืออนุมัติผลลัพธ์
  4. ติดป้ายกำกับเสียงสังเคราะห์และเก็บบันทึกที่มาเพื่อความรับผิดชอบ

สำรวจต่อไป

จดหมายข่าวฟรี

รับสรุป AI รายวัน

เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา

อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ

ทดสอบตัวเอง

Take the DeepSpeech Architecture quiz

ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร

เริ่มแบบทดสอบ

สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค

คำถามที่พบบ่อย

What is DeepSpeech Architecture?

DeepSpeech คือโมเดลการรู้จำคำพูดจากต้นทางถึงปลายทางที่ Baidu เปิดตัวในปี 2014 ซึ่งแมปคุณสมบัติเสียงดิบกับข้อความโดยตรงโดยใช้โครงข่ายประสาทเทียมที่เกิดซ้ำซึ่งได้รับการฝึกฝนเกี่ยวกับการสูญเสีย CTC ช่วยบุกเบิกการเปลี่ยนแปลงจากไปป์ไลน์ ASR ที่ออกแบบด้วยมือที่ซับซ้อน ไปสู่ระบบที่ขับเคลื่อนด้วยข้อมูลซึ่งเรียนรู้

ฟังก์ชันการสูญเสียใดที่ทำให้ DeepSpeech สามารถฝึกได้โดยไม่ต้องจัดแนวระดับเฟรมระหว่างเสียงและข้อความ

CTC แนะนำสัญลักษณ์ว่างและผลรวมของการจัดตำแหน่งที่ถูกต้องทั้งหมดที่ยุบลงในข้อความเป้าหมาย ทำให้ไม่จำเป็นต้องใช้ป้ายกำกับต่อเฟรม

ปรัชญาสถาปัตยกรรมหลักที่ DeepSpeech เป็นที่นิยมคืออะไร

DeepSpeech แทนที่ไปป์ไลน์แบบหลายขั้นตอนแบบเดิมด้วยโครงข่ายประสาทเทียมเดียวที่ได้รับการฝึกฝนตั้งแต่ต้นจนจบ ซึ่งเป็นการเปลี่ยนแปลงครั้งใหญ่ในการออกแบบ ASR

เหตุใด DeepSpeech จึงใช้เลเยอร์ที่เกิดซ้ำแบบสองทิศทาง

RNN แบบสองทิศทางจะประมวลผลลำดับทั้งสองทิศทาง ดังนั้นเอาต์พุตแต่ละตัวจะได้รับประโยชน์จากบริบททางเสียงโดยรอบ ซึ่งช่วยเพิ่มความแม่นยำ

โดยทั่วไปแล้ว DeepSpeech ทำงานบนฟีเจอร์อินพุตประเภทใด

โมเดลใช้คุณสมบัติเสียงระดับเฟรม เช่น สเปคโตรแกรมหรือ MFCC และความน่าจะเป็นของอักขระเอาท์พุตสำหรับแต่ละขั้นตอนเวลา

อะไรมักถูกเพิ่มเข้ามาในเวลาถอดรหัสเพื่อปรับปรุงการเลือกคำและการสะกดคำของ DeepSpeech

การรวมเอาต์พุตเสียงเข้ากับโมเดลภาษาภายนอกในระหว่างการถอดรหัสช่วยให้ระบบสร้างคำและการสะกดที่น่าเชื่อถือมากขึ้น

เรียนรู้ต่อไป

คำแนะนำที่เกี่ยวข้อง

คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้

รับใบรับรอง AI ฟรีหลักสูตรและการสอบสั้น ๆ ฟรี ไม่มีค่าใช้จ่าย ไม่มีบัตรเครดิต ประมาณ 2.5 ชั่วโมงเริ่มต้นฟรี →