Jasper ve QuartzNet ASR
Jasper ve QuartzNet, NVIDIA'nın uçtan uca evrişimli konuşma tanıma modelleridir; QuartzNet, Jasper'ın çok daha küçük, verimli bir yeniden tasarımıdır.
Genel Bakış
They matter for showing how to get strong accuracy with far fewer parameters, ideal for deployment.
Derin Dalış
NVIDIA tarafından 2019'da piyasaya sürülen Jasper (Just Another Speech Recognizer), mel-spektrogram özelliklerini CTC kaybını kullanarak karakterlerle eşleştiren, 54 katmana kadar derin bir 1D evrişimli ağdır. Yoğun artık bağlantılar sağladı, böylece eğimler çok derin yığınlardan temiz bir şekilde aktı. Aynı yıl piyasaya sürülen QuartzNet, Jasper'ın blok yapısını korudu ancak standart evrişimleri zaman kanalıyla ayrılabilir evrişimlerle değiştirerek her filtreyi derinlemesine bir zamansal evrişime ve noktasal bir kanal karıştırma adımına böldü. Bu çarpanlara ayırma, Librispeech'teki doğruluğu eşleştirirken Jasper'ın kabaca 333 milyon olan parametrelerini yaklaşık 19 milyona düşürdü. Her ikisi de NVIDIA'nın NeMo araç kitiyle birlikte gelir ve hızlı GPU eğitimi ve gerçek zamanlı çıkarım için ayarlanmıştır; bu da onları üretim ASR'si için popüler yapı taşları haline getirir.
Teknik Bilgi
QuartzNet'in verimliliği, MobileNet'in arkasındaki aynı fikir olan zaman kanalıyla ayrılabilir evrişimlerden gelir. Normal bir 1 boyutlu evrişim, zamanı ve kanalları bir araya getirerek K çarpı C-giriş çarpı C-çıkış ağırlıklarına mal olur. Bunu zaman içinde derinlemesine bir evrişime ve kanallar üzerinde 1x1 noktasal evrişime ayırmak, parametreleri K çarpı C artı C-in çarpı C-out'a azaltır. Artık bloklar halinde istiflenen ve CTC ile eğitilen bu, model boyutunun ve hesaplamanın çok küçük bir bölümünde Jasper'a yakın doğruluk sağlar.
Stratejik Etki
Access and reach
Transkripsiyon, anlatım ve ses arayüzleri aracılığıyla erişilebilirliği artırır.
Maliyet ve bütçe
Medya ekipleri daha küçük bütçelerle daha iyi ses kalitesi sunabilir.
Speed and scale
Müşteriyle yüz yüze olan sistemler, sözlü etkileşimleri daha büyük ölçekte işleyebilir.
Jasper ve QuartzNet ASR'nin Geleceği
QuartzNet'in ayrılabilir evrişim kökeni doğrudan NVIDIA'nın Citrinet'ine ve yerel evrişimlerin yanı sıra küresel bağlamı yakalamak için öz dikkati de ekleyen yaygın olarak kullanılan Conformer modellerine yol açtı. Akış için hibrit evrişim artı dikkat mimarilerine ve dönüştürücü (RNN-T) kod çözücülere doğru ilerlemenin devam etmesini bekliyoruz. ASR telefonlara, arabalara ve yerleşik cihazlara aktarılırken temel ders olan uç ve gerçek zamanlı dağıtım için parametre açısından verimli evrişimler merkezi olmaya devam ediyor.
Gerçek Dünya Uygulaması
NeMo araç seti aracılığıyla NVIDIA GPU'lara dağıtılan gerçek zamanlı transkripsiyon ve sesli asistanlar
QuartzNet'in küçük ayak izinin, belleği kısıtlı cihazlara sığdığı uç ve yerleşik ASR
Tıbbi veya hukuki terimler gibi alana özgü terimler için önceden eğitilmiş QuartzNet kontrol noktalarının ince ayarı
Büyük hacimli sesleri hızlı ve uygun maliyetli bir şekilde yazıya döken çağrı merkezi analitiği
Riskler ve Korkuluklar
Onay eksik olduğunda sesin kötüye kullanılması ve kimliğe bürünme riskleri artar.
Aksanlar, lehçeler veya gürültülü ortamlarda doğruluk düşebilir.
Sentetik ses, net bir etiketleme olmadan, orijinal konuşmayla karıştırılabilir.
Uygulama Yol Haritası
Sesin yakalanması, klonlanması ve yeniden kullanılması için açık izin alın.
Kaliteyi farklı hoparlörler ve arka plan koşullarında test edin.
Bir insanın çıktıları ne zaman incelemesi veya onaylaması gerektiğini tanımlayın.
Sentetik sesi etiketleyin ve sorumluluk için kaynak kayıtlarını saklayın.
Keşfetmeye Devam Edin
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
Next guide
Wav2Letter Evrişimli ASR
Sık sorulan sorular
What is Jasper and QuartzNet ASR?
Jasper ve QuartzNet, NVIDIA'nın uçtan uca evrişimli konuşma tanıma modelleridir; QuartzNet, Jasper'ın çok daha küçük, verimli bir yeniden tasarımıdır. Dağıtım için ideal olan çok daha az parametreyle güçlü doğruluğun nasıl elde edileceğini göstermeleri açısından önemlidirler.
Hangi önemli yenilik QuartzNet'in Jasper'dan çok daha az parametre kullanmasına olanak sağlıyor?
QuartzNet, standart evrişimleri zaman kanalıyla ayrılabilir evrişimlerle değiştirerek doğruluğu korurken parametre sayısını büyük ölçüde azaltır.
Jasper'ın ~333 milyonuna kıyasla QuartzNet'in kabaca kaç parametresi var?
QuartzNet, Jasper'ın Librispeech doğruluğuyla eşleşirken yaklaşık 17 kat azalmayla yaklaşık 19 milyon parametreye küçülür.
Hem Jasper hem de QuartzNet'i hangi şirket geliştirdi?
Her iki model de NVIDIA tarafından geliştirildi ve NeMo etkileşimli yapay zeka araç seti aracılığıyla dağıtılıyor.
Jasper ve QuartzNet açık hizalamalar olmadan antrenman yapmak için hangi kayıp fonksiyonunu kullanıyor?
Her ikisi de, kare başına etiket gerektirmeden değişken uzunluktaki sesi karakter dizilerine hizalayan CTC kaybını kullanır.
Hangi yapısal özellik, degradelerin Jasper'ın çok derin (54 katmana kadar) ağı boyunca akmasına yardımcı olur?
Jasper yoğun artık (atlama) bağlantıları kullanır, böylece degradeler derin evrişim yığını boyunca temiz bir şekilde yayılır.