ДаліНаступний посібник
Автоматичне тегування музики
Аудіо AI
Аудіо AI GUIDE
Слухайте, відвідуйте та читайте заклинання
Listen, Attend and Spell (LAS) is a 2015 end-to-end speech-recognition model that maps acoustic filter-bank features to character sequences.
Послухайте цей посібникШІ-розказаний · ~2 min
На цій сторінці2 хвилини читання
Огляд
Its Listener is a pyramidal recurrent encoder; its Speller is an attention-based recurrent decoder. The original paper reports results for a specific Google voice-search subset and does not establish that LAS outperformed the compared production system.
Глибоке занурення
The LAS paper defines two components: a Listener, a pyramidal recurrent encoder that accepts filter-bank spectra, and a Speller, an attention-based recurrent decoder that emits characters. The pyramidal encoder reduces sequence length, making attention over the encoded frames more manageable. The paper describes joint learning of recognizer components and reports that its model generated character sequences without a pronunciation dictionary or a separately trained language model. On a subset of Google voice search, it reports 14.1% WER without a language model and 10.3% with language-model rescoring; the compared CLDNN-HMM result was 8.0%. These historical numbers apply to the paper’s specific evaluation.
Реалізація в реальному світі
Use LAS as a historical example of an encoder-decoder recognizer that emits characters from acoustic input.
Inspect how the pyramidal Listener reduces the length of the encoder sequence.
Trace how attention connects each Speller output step to encoder states.
Compare reported WER only within the paper’s stated task and evaluation setup.
Майбутнє слухання, відвідування та написання
LAS is useful historically for understanding attention-based end-to-end ASR. Later systems explored different encoders, objectives, and streaming mechanisms; performance and latency must be compared on the same data and decoding conditions.
Застосування на практиці
Чому це важливо
- Доступ і охоплення. Це покращує доступність завдяки транскрипції, дикторському тексту та голосовому інтерфейсу.
- Вартість і бюджет. Медіа-команди можуть доставляти якісний аудіо швидше за менші бюджети.
- Швидкість і масштаб. Системи, орієнтовані на клієнта, можуть обробляти голосову взаємодію у більшому масштабі.
Зверніть увагу на
- Ризик неправильного використання голосу та видавання себе за іншу особу зростає, якщо згоди немає.
- Точність може впасти через акценти, діалекти чи шумне середовище.
- Синтетичне аудіо можна прийняти за автентичне мовлення без чіткого маркування.
Наступні кроки
- Отримайте чітку згоду на захоплення голосу, клонування та повторне використання.
- Перевірте якість на різних динаміках і фонових умовах.
- Визначте, коли людина повинна переглядати або затверджувати результати.
- Позначайте синтетичне аудіо та зберігайте записи про походження для підзвітності.
Продовжуйте досліджувати
Безплатний розсилок
Отримуйте щоденне зведення новин про ШІ
Три перевірені історії про ШІ щоробочого ранку, написані простою мовою. Безплатно назавжди, без реклами.
Один лист щотижня з понеділка по п'ятницю. Відписатися в один клік. Ми ніколи не продаємо та не передаємо вашу адресу.
Перевір себе
Take the Listen Attend and Spell quiz
Миттєва зворотна связь на кожну відповідь та сертифікат із перевіреним ідентифікатором, яким можна поділитися, після проходження курсу.
Підтримайте безплатну освіту у сфері ШІ. AI Understanding — це некомерційна організація 501(c)(3) — без реклами, без платних стін, назавжди. Зробіть пожертву
Часті запитання
What is Listen Attend and Spell?
Listen, Attend and Spell (LAS) is a 2015 end-to-end speech-recognition model that maps acoustic filter-bank features to character sequences. Its Listener is a pyramidal recurrent encoder; its Speller is an attention-based recurrent decoder. The original paper reports results for a specific Google voice-search subset and does not establish that LAS outperformed the compared production system.
Які два основні компоненти моделі LAS?
LAS складається з кодера «Listener», який обробляє аудіо, і декодера «Speller», який орієнтується на увагу, і видає символи.
Що виводить Speller у LAS?
Speller — це декодер, який створює транскрипцію символ за символом, вивчаючи правопис безпосередньо.
Чому кодер LAS називають «пірамідальним»?
Кожен шар пірамідального BLSTM зменшує довжину послідовності вдвічі, скорочуючи довгу аудіопослідовність, щоб увага була можливою з точки зору обчислень.
Який старіший компонент НЕ потрібен LAS?
На відміну від класичних конвеєрів HMM-DNN, LAS навчається безпосередньо з пар аудіо-текст без словника фонем або примусового вирівнювання.
Який механізм дозволяє Speller зосередитися на відповідній частині аудіо для кожного символу?
Механізм уваги обчислює ваги для станів кодера, формуючи вектор контексту, який декодер використовує на кожному кроці.
Продовжуйте вчитися
Пов'язані посібники
Інші посібники, вибрані для цієї теми