Nghe tham dự và đánh vần
Nghe, Tham dự và Đánh vần (LAS) là mạng thần kinh mang tính bước ngoặt năm 2015, chuyển lời nói trực tiếp thành ký tự mà không cần từ điển phát âm thủ công hoặc mô hình ngôn ngữ riêng biệt.
Tổng quan
It showed that a single end-to-end model could do speech recognition.
Lặn sâu
Nghe, Tham dự và Đánh vần, được các nhà nghiên cứu Chan, Jaitly, Le và Vinyals của Google giới thiệu vào năm 2015, là một trong những công cụ nhận dạng giọng nói đầu cuối thực sự đầu tiên. Nó có hai phần: 'Trình nghe', LSTM hai chiều hình kim tự tháp mã hóa âm thanh trong khi thu nhỏ kích thước thời gian và 'Speller', bộ giải mã LSTM dựa trên sự chú ý phát ra từng ký tự một. Cơ chế chú ý cho phép Speller tập trung vào đoạn âm thanh có liên quan cho mỗi chữ cái đầu ra. Không giống như các quy trình HMM-DNN cũ hơn, LAS không cần từ điển âm vị, không cần căn chỉnh bắt buộc và không cần mô hình ngôn ngữ được đào tạo riêng biệt; nó học chính tả, ranh giới từ và âm học từ âm thanh được phiên âm. Nó trực tiếp truyền cảm hứng cho các hệ thống ASR theo trình tự hiện đại và dựa trên sự chú ý.
Hiểu biết kỹ thuật
LAS kết hợp bộ mã hóa-giải mã với sự chú ý. Bộ mã hóa LSTM hình kim tự tháp giảm một nửa độ phân giải thời gian ở mỗi lớp trong số ba lớp, cắt một chuỗi âm thanh dài thành một độ dài có thể quản lý được để có thể điều khiển được sự chú ý. Ở mỗi bước giải mã, Trình đánh vần sẽ tính toán trọng số chú ý trên tất cả các trạng thái của bộ mã hóa, kết hợp chúng thành một vectơ ngữ cảnh và dự đoán ký tự tiếp theo. Việc huấn luyện tối đa hóa xác suất của chuỗi ký tự chính xác; thủ thuật lấy mẫu theo lịch trình làm giảm sự không khớp giữa huấn luyện/kiểm tra.
Tác động chiến lược
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.
Tương lai của Nghe tham dự và đánh vần
LAS hiện đã mang tính lịch sử nhưng DNA của nó chạy qua mọi hệ thống ASR hiện đại. Ý tưởng về bộ mã hóa-giải mã dựa trên sự chú ý của nó đã phát triển thành bộ nhận dạng Transformer và Conformer, trong khi các phương pháp liên quan như RNN-Transducer cấp nguồn cho khả năng đọc chính tả trên thiết bị. Các hệ thống trong tương lai tiếp tục quỹ đạo từ đầu đến cuối này, kết hợp nhận dạng với dịch thuật và hiểu biết trong các mô hình đa ngôn ngữ duy nhất, đồng thời hướng tới truyền trực tuyến, phiên âm có độ trễ thấp mà LAS, vốn không phát trực tuyến, ban đầu không thể cung cấp.
Triển khai trong thế giới thực
Phiên âm tiếng Anh nói trực tiếp thành chữ cái mà không cần từ điển phát âm
Đóng vai trò là cơ sở khái niệm cho các hệ thống đọc chính tả và chú thích bằng giọng nói dựa trên sự chú ý
Minh họa quá trình đào tạo toàn diện cho các khóa học và điểm chuẩn nhận dạng giọng nói mang tính học thuật
Các mô hình tuần tự đầy cảm hứng sau này được sử dụng trong quy trình dịch giọng nói
Rủi ro & lan can
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.
Lộ trình thực hiện
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
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
Hướng dẫn tiếp theo
Tự động gắn thẻ âm nhạc
Câu hỏi thường gặp
What is Listen Attend and Spell?
Nghe, Tham dự và Đánh vần (LAS) là mạng thần kinh mang tính bước ngoặt năm 2015, chuyển lời nói trực tiếp thành ký tự mà không cần từ điển phát âm thủ công hoặc mô hình ngôn ngữ riêng biệt. Nó cho thấy rằng một mô hình đầu cuối duy nhất có thể thực hiện nhận dạng giọng nói.
Hai thành phần chính của mô hình LAS là gì?
LAS bao gồm bộ mã hóa 'Người nghe' xử lý âm thanh và bộ giải mã dựa trên sự chú ý của 'Người đánh vần' phát ra các ký tự.
Speller trong LAS xuất ra cái gì?
Speller là bộ giải mã tạo ra ký tự phiên âm theo từng ký tự, học cách đánh vần trực tiếp.
Tại sao bộ mã hóa LAS được gọi là 'kim tự tháp'?
Mỗi lớp của BLSTM hình kim tự tháp giảm một nửa độ dài chuỗi, rút ngắn chuỗi âm thanh dài để có thể tính toán được sự chú ý.
LAS KHÔNG yêu cầu thành phần cũ nào hơn?
Không giống như các quy trình HMM-DNN cổ điển, LAS học trực tiếp từ các cặp âm thanh thành văn bản mà không cần từ điển âm vị hoặc căn chỉnh bắt buộc.
Cơ chế nào cho phép Người đánh vần tập trung vào phần âm thanh có liên quan cho từng ký tự?
Cơ chế chú ý tính toán trọng số trên các trạng thái của bộ mã hóa, tạo thành một vectơ ngữ cảnh mà bộ giải mã sử dụng ở mỗi bước.