حاضری سنیں اور ہجے کریں۔
Listen, Attend and Spell (LAS) ایک تاریخی 2015 نیورل نیٹ ورک ہے جو تقریر کو براہ راست حروف میں نقل کرتا ہے، جس میں ہاتھ سے تیار کردہ تلفظ کی لغت یا علیحدہ زبان ماڈل نہیں ہے۔
جائزہ
It showed that a single end-to-end model could do speech recognition.
گہرا غوطہ
2015 میں Google محققین Chan, Jaitly, Le, اور Vinyals کے ذریعہ متعارف کرایا گیا، سنیں، شرکت کریں اور ہجے کریں، پہلے حقیقی اختتام سے آخر تک تقریر کی شناخت کرنے والوں میں سے ایک تھا۔ اس کے دو حصے ہیں: ایک 'سننے والا'، ایک پرامڈل دو طرفہ LSTM جو وقت کے طول و عرض کو سکڑتے ہوئے آڈیو کو انکوڈ کرتا ہے، اور 'اسپیلر'، ایک توجہ پر مبنی LSTM ڈیکوڈر جو ایک وقت میں ایک حرف کو خارج کرتا ہے۔ توجہ کا طریقہ کار اسپیلر کو ہر آؤٹ پٹ لیٹر کے لیے آڈیو کے متعلقہ ٹکڑے پر توجہ مرکوز کرنے دیتا ہے۔ پرانی HMM-DNN پائپ لائنوں کے برعکس، LAS کو کسی فونیم لغت کی ضرورت نہیں، نہ زبردستی سیدھ میں رکھنا، اور نہ ہی الگ سے تربیت یافتہ زبان کے ماڈل کی ضرورت ہے۔ یہ نقل شدہ آڈیو سے مشترکہ طور پر ہجے، الفاظ کی حدود اور صوتیات سیکھتا ہے۔ اس نے جدید ترتیب سے ترتیب اور توجہ پر مبنی ASR نظاموں کو براہ راست متاثر کیا۔
تکنیکی بصیرت
LAS ایک انکوڈر-ڈیکوڈر کو توجہ کے ساتھ جوڑتا ہے۔ اہرام ایل ایس ٹی ایم انکوڈر تین پرتوں میں سے ہر ایک پر وقت کی ریزولیوشن کو آدھا کر دیتا ہے، ایک طویل صوتی ترتیب کو ایک قابل انتظام لمبائی میں کاٹتا ہے تاکہ توجہ حاصل کی جا سکے۔ ہر ضابطہ کشائی کے مرحلے پر اسپیلر تمام انکوڈر حالتوں پر توجہ کے وزن کا حساب لگاتا ہے، انہیں سیاق و سباق کے ویکٹر میں ملا دیتا ہے، اور اگلے کردار کی پیشین گوئی کرتا ہے۔ تربیت صحیح کردار کی ترتیب کے امکان کو زیادہ سے زیادہ کرتی ہے۔ ایک طے شدہ نمونے لینے کی چال ٹرین/ٹیسٹ کی مماثلت کو کم کرتی ہے۔
اسٹریٹجک اثر
رسائی اور رسائی
یہ نقل، بیان اور صوتی انٹرفیس کے ذریعے رسائی کو بہتر بناتا ہے۔
لاگت اور بجٹ
میڈیا ٹیمیں چھوٹے بجٹ کے ساتھ پالش آڈیو کو تیزی سے بھیج سکتی ہیں۔
رفتار اور پیمانہ
کسٹمر کا سامنا کرنے والے نظام بڑے پیمانے پر بولی جانے والی بات چیت پر کارروائی کر سکتے ہیں۔
سننے میں شرکت اور ہجے کا مستقبل
LAS اب تاریخی ہے، لیکن اس کا DNA ہر جدید ASR سسٹم سے چلتا ہے۔ اس کا توجہ پر مبنی انکوڈر-ڈیکوڈر آئیڈیا ٹرانسفارمر اور کنفارمر شناخت کنندگان میں تیار ہوا، جبکہ متعلقہ نقطہ نظر جیسے RNN-Transducer پاور آن ڈیوائس ڈکٹیشن۔ مستقبل کے نظام اس اختتام سے آخر تک جاری رکھتے ہیں، واحد کثیر لسانی ماڈلز میں ترجمے اور تفہیم کے ساتھ شناخت کو فیوز کرتے ہیں، اور اسٹریمنگ کی طرف دھکیلتے ہیں، کم لیٹنسی ٹرانسکرپشن جو LAS، نان اسٹریمنگ ہونے کی وجہ سے، اصل میں فراہم نہیں کر سکتا تھا۔
حقیقی دنیا کا نفاذ
بولی جانے والی انگریزی کو بغیر تلفظ لغت کے براہ راست حروف میں نقل کرنا
توجہ پر مبنی صوتی ڈکٹیشن اور کیپشننگ سسٹمز کے لیے تصوراتی بنیاد کے طور پر کام کرنا
تعلیمی اسپیچ ریکگنیشن کورس ورک اور بینچ مارکس کے لیے آخر سے آخر تک تربیت کا مظاہرہ کرنا
متاثر کن ترتیب سے ترتیب والے ماڈلز بعد میں اسپیچ ٹرانسلیشن پائپ لائنز میں استعمال ہوئے۔
خطرات اور گارڈریلز
رضامندی غائب ہونے پر آواز کے غلط استعمال اور نقالی کے خطرات بڑھ جاتے ہیں۔
درستگی لہجوں، بولیوں، یا شور والے ماحول میں گر سکتی ہے۔
واضح لیبلنگ کے بغیر مصنوعی آڈیو کو مستند تقریر کے لیے غلط سمجھا جا سکتا ہے۔
نفاذ کا روڈ میپ
آواز کی گرفتاری، کلوننگ اور دوبارہ استعمال کے لیے واضح رضامندی حاصل کریں۔
متنوع اسپیکرز اور پس منظر کے حالات میں معیار کی جانچ کریں۔
وضاحت کریں کہ جب ایک انسان کو آؤٹ پٹس کا جائزہ لینا یا منظور کرنا ضروری ہے۔
مصنوعی آڈیو کو لیبل کریں اور جوابدہی کے لیے پرووینس ریکارڈ رکھیں۔
دریافت کرتے رہیں
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
اگلا گائیڈ
میوزک آٹو ٹیگنگ
اکثر پوچھے گئے سوالات
What is Listen Attend and Spell?
Listen, Attend and Spell (LAS) ایک تاریخی 2015 نیورل نیٹ ورک ہے جو تقریر کو براہ راست حروف میں نقل کرتا ہے، جس میں ہاتھ سے تیار کردہ تلفظ کی لغت یا علیحدہ زبان ماڈل نہیں ہے۔ اس سے پتہ چلتا ہے کہ ایک سنگل اینڈ ٹو اینڈ ماڈل تقریر کی شناخت کر سکتا ہے۔
LAS ماڈل کے دو اہم اجزاء کیا ہیں؟
LAS ایک 'سننے والے' انکوڈر پر مشتمل ہے جو آڈیو پر کارروائی کرتا ہے اور 'اسپیلر' توجہ پر مبنی ڈیکوڈر جو حروف کو خارج کرتا ہے۔
LAS آؤٹ پٹ میں اسپیلر کیا کرتا ہے؟
اسپیلر ایک ڈیکوڈر ہے جو ہجے کو براہ راست سیکھتے ہوئے، حرف بہ حرف نقل کرتا ہے۔
LAS انکوڈر کو 'اہرام' کیوں کہا جاتا ہے؟
اہرام BLSTM کی ہر پرت تسلسل کی لمبائی کو آدھا کر دیتی ہے، طویل آڈیو ترتیب کو مختصر کرتی ہے تاکہ توجہ کمپیوٹیشنل طور پر ممکن ہو۔
LAS کو خاص طور پر کس پرانے جزو کی ضرورت نہیں ہے؟
کلاسک HMM-DNN پائپ لائنوں کے برعکس، LAS بغیر کسی فونیم لغت یا زبردستی سیدھ کے بغیر آڈیو ٹو ٹیکسٹ جوڑوں سے سیکھتا ہے۔
کون سا طریقہ کار اسپیلر کو ہر کردار کے لیے آڈیو کے متعلقہ حصے پر توجہ مرکوز کرنے دیتا ہے؟
ایک توجہ کا طریقہ کار انکوڈر کی حالتوں پر وزن کی گنتی کرتا ہے، ایک سیاق و سباق کی تشکیل کرتا ہے جسے ڈیکوڈر ہر قدم پر استعمال کرتا ہے۔