تقریر کی شناخت کے لیے SpecAugment

It boosted accuracy on benchmarks without any new audio or model changes.

2019 میں Google Brain (Park et al.) کے ذریعہ متعارف کرایا گیا SpecAugment، خام ویوفارم کے بجائے براہ راست لاگ میل سپیکٹروگرام میں ترمیم کرکے تقریر کی شناخت کی تربیت کو بڑھاتا ہے۔ یہ تین آپریشنز کا اطلاق کرتا ہے: ٹائم وارپنگ، جو وقت کے محور کے ساتھ آڈیو کو تھوڑا سا کھینچتا یا سکیڑتا ہے۔ فریکوئنسی ماسکنگ، جو فریکوئنسی چینلز کے بینڈ کو صفر کر دیتی ہے۔ اور ٹائم ماسکنگ، جو وقت کے مراحل کو خالی کر دیتی ہے۔ اسپیکٹروگرام کے ٹکڑوں کو پوشیدہ ہونے پر بھی ماڈل کو تقریر کو پہچاننے پر مجبور کرکے، SpecAugment ریگولرائزیشن کا کام کرتا ہے اور اوور فٹنگ کو روکتا ہے۔ یہ غیر معمولی طور پر سستا اور موثر تھا، جس سے LAS طرز کے ماڈلز کو LibriSpeech اور Switchboard پر جدید ترین الفاظ کی خرابی کی شرح تک پہنچنے میں مدد ملتی تھی، اور یہ جدید ASR ٹریننگ پائپ لائنز میں پہلے سے طے شدہ جزو بنی ہوئی ہے۔