Tiếp theoHướng dẫn tiếp theo
Nhúng đại diện Matryoshka
Ngôn ngữ AI
HƯỚNG DẪN AI âm thanh
Học nhúng và biểu diễn âm thanh
Việc nhúng âm thanh biến âm thanh thành các vectơ số nhỏ gọn có khả năng nắm bắt ý nghĩa, nhờ đó máy móc có thể so sánh, tìm kiếm và phân loại âm thanh theo cách con người nhận ra một giọng nói hoặc bài hát quen thuộc.
Nghe hướng dẫn nàyAI thuật lại · ~2 min
Trên trang nàyĐọc trong 2 phút
Tổng quan
Chúng là công cụ ẩn đằng sau tính năng nhận dạng giọng nói, đề xuất âm nhạc và tìm kiếm âm thanh.
Lặn sâu
Nhúng âm thanh là một danh sách các số có độ dài cố định (một vectơ) biểu thị một đoạn âm thanh theo cách đặt các âm thanh tương tự gần nhau trong không gian toán học. Hai bản ghi âm của cùng một từ hoặc hai bài hát cùng thể loại sẽ ở gần nhau ngay cả khi dạng sóng thô của chúng trông hoàn toàn khác nhau. Các mô hình học các phần nhúng này bằng cách đào tạo trên lượng âm thanh khổng lồ, thường không có nhãn của con người. Các hệ thống tự giám sát như Wav2Vec 2.0, HuBERT và CLAP học bằng cách dự đoán các đoạn âm thanh bị che hoặc tương phản. Sau khi được đào tạo, các phần nhúng tương tự có thể được sử dụng lại cho nhiều tác vụ tiếp theo (ID người nói, cảm xúc, gắn thẻ nhạc) với rất ít dữ liệu được gắn nhãn bổ sung, đó là lý do tại sao việc học biểu diễn lại có giá trị như vậy.
Triển khai trong thế giới thực
Các ứng dụng âm nhạc như Spotify sử dụng tính năng nhúng để đề xuất các bài hát "có âm thanh tương tự" ngay cả trên các thể loại và để hỗ trợ quá trình lấy dấu vân tay âm thanh.
Các ứng dụng kiểu Shazam khớp bản ghi ồn với bản nhạc bằng cách so sánh dấu vân tay nhúng thay vì âm thanh thô.
Loa và điện thoại thông minh sử dụng tính năng nhúng loa (dấu giọng nói) để phân biệt các thành viên trong gia đình và cá nhân hóa phản hồi.
Các trung tâm cuộc gọi và công cụ cuộc họp sử dụng nội dung nhúng để ghi nhật ký người phát biểu, xác định ai đã phát biểu khi ghi âm.
Tương lai của việc nhúng âm thanh và học cách biểu diễn
Mong đợi các phần nhúng âm thanh ngày càng trở nên đa phương thức, được kết hợp với văn bản và video để một mô hình duy nhất có thể hiểu được âm thanh, từ ngữ và hình ảnh của một cảnh cùng nhau. Các không gian ngôn ngữ-âm thanh chung như CLAP đang cho phép tìm kiếm âm thanh bằng ngôn ngữ tự nhiên (“tìm tiếng chó sủa gần nơi có xe cộ”). Các mô hình nhúng trên thiết bị nhỏ hơn sẽ hỗ trợ các tính năng thoại ngoại tuyến, riêng tư trên điện thoại và tai nghe, trong khi quá trình đào tạo trước tự giám sát phong phú hơn giúp cắt giảm lượng dữ liệu được gắn nhãn cần thiết cho các ngôn ngữ mới và các sự kiện âm thanh hiếm gặp.
Đưa nó vào thực tế
Tại sao nó quan trọng
- Truy cập và tiếp cận. Nó cải thiện khả năng tiếp cận thông qua phiên âm, tường thuật và giao diện giọng nói.
- Chi phí và ngân sách. Các nhóm truyền thông có thể gửi âm thanh tinh tế nhanh hơn với ngân sách nhỏ hơn.
- Tốc độ và tỷ lệ. Các hệ thống hướng tới khách hàng có thể xử lý các tương tác bằng giọng nói ở quy mô lớn hơn.
coi chừng
- Rủi ro lạm dụng giọng nói và mạo danh sẽ tăng lên khi thiếu sự đồng ý.
- Độ chính xác có thể giảm đối với các giọng, phương ngữ hoặc môi trường ồn ào.
- Âm thanh tổng hợp có thể bị nhầm lẫn với lời nói đích thực nếu không có nhãn rõ ràng.
Các bước tiếp theo
- Nhận được sự đồng ý rõ ràng để thu âm, sao chép và tái sử dụng giọng nói.
- Kiểm tra chất lượng trên nhiều loa và điều kiện nền khác nhau.
- Xác định khi nào con người phải xem xét hoặc phê duyệt kết quả đầu ra.
- Dán nhãn âm thanh tổng hợp và lưu giữ hồ sơ xuất xứ để đảm bảo trách nhiệm giải trình.
Tiếp tục khám phá
Bản tin miễn phí
Nhận bản tóm tắt AI hàng ngày
Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.
Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.
Tự kiểm tra
Take the Audio Embeddings and Representation Learning quiz
Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.
Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp
Câu hỏi thường gặp
Học nhúng và biểu diễn âm thanh là gì?
Việc nhúng âm thanh biến âm thanh thành các vectơ số nhỏ gọn có khả năng nắm bắt ý nghĩa, nhờ đó máy móc có thể so sánh, tìm kiếm và phân loại âm thanh theo cách con người nhận ra một giọng nói hoặc bài hát quen thuộc. Chúng là công cụ ẩn đằng sau tính năng nhận dạng giọng nói, đề xuất âm nhạc và tìm kiếm âm thanh.
Nhúng âm thanh là gì?
Việc nhúng là một vectơ số dày đặc đặt các clip có âm thanh tương tự gần nhau trong không gian toán học, nắm bắt ý nghĩa thay vì chỉ các mẫu thô.
Tại sao việc học tự giám sát lại quan trọng đối với việc nhúng âm thanh?
Các phương pháp tự giám sát như Wav2Vec 2.0 và HuBERT học hỏi từ lượng lớn âm thanh chưa được gắn nhãn, do đó, các tác vụ tiếp theo cần ít dữ liệu được gắn nhãn hơn.
Wav2Vec 2.0 học như thế nào trong quá trình đào tạo trước?
Wav2Vec 2.0 sử dụng mục tiêu tương phản, bị che giấu: nó ẩn các dải âm thanh và học cách xác định đơn vị tiềm ẩn chính xác so với các yếu tố gây phân tâm.
Một mô hình như CLAP phù hợp với không gian nhúng chung như thế nào?
CLAP (Đào tạo trước âm thanh-ngôn ngữ tương phản) tìm hiểu một không gian chung nơi các đoạn âm thanh và mô tả văn bản của chúng nằm gần nhau, cho phép tìm kiếm âm thanh dựa trên văn bản.
Trước khi đưa âm thanh vào mạng nơ-ron, phép biến đổi phổ biến nào thường được áp dụng?
Dạng sóng thô có hàng triệu mẫu, do đó âm thanh thường được chuyển đổi thành biểu đồ phổ hoặc được chuyển qua các bộ lọc giao diện người dùng đã học trước mạng chính.
Tiếp tục học hỏi
Hướng dẫn liên quan
Đã chọn thêm hướng dẫn cho chủ đề này