GUIDE IA Audio

SpecAugment ngir xàmmee kàddu

SpecAugment xeetu yokk done bu yomb la waaye am doole, muy maske ak deforme spectrogramu kàddu ngir gëna dëgëral xeetu xàmmee yi.

Résumé

SpecAugment xeetu yokk done bu yomb la waaye am doole, muy maske ak deforme spectrogramu kàddu ngir gëna dëgëral xeetu xàmmee yi. Dafa yokk njub ci benchmarks te amul benn coppite ci audio wala model bu bees.

SpecAugment ngir Xamme Kaddu mingi toog ci biir liggéeyu audio-IA biy soppi kàddu, music, ak son ngir jokkoo, yombal jëfandikoo gi, ak defar media.

Plongeur bu xóot

SpecAugment, bi Brain (Park ak ñeneen) dugal ci 2019, dafay yokk tàggat xamme kàddu ci soppali spectrogram log-mel bi ci saasi moo gën forme onde bu ñor bi. Dafay jëfandikoo ñatti mbir: time warping, muy tàllal tuuti wala di kompresse audio bi ci axis time bi; maske fréquence, biy dindi bande chaine fréquence yi; ak maskeer waxtu, luy dindi jéego yu yàgg yi. Su SpecAugment forse model bi mu xàmmee wax doonte ay pàcc ci spectrogram bi dañu nëbbu, SpecAugment dafay nekk regularisation ba noppi moytu overfitting. Dafa yomb lool te am njariñ, di jàppale xeetu LAS ñu yegg ci njuumti yi gëna mag ci LibriSpeech ak Switchboard, te mingi wéy di nekk ingredient biñ jagleel pipeline tàggat ASR yu bees yi.

Gis-gis xarala

SpecAugment dafay dox ci spectrogram 2D ​​melni ab nataal. Maskeer fréquence dafay dindi benn bloku chaine de fréquence mel; maskeer waxtu dindi ab bloku kadre yu bari; deformaasioŋ waxtu dafay soppi poñ biñ tànn ci axis waxtu bi ci jëfandikoo interpolaasioŋ. Mën nañu def mask yu bari ci wax ju nekk. Ndax mask yi dañuy soppeeku jamono bu nekk, model bi dafay gis xeetu wuute yu bari ci misaal bu nekk, gëna suqali generalisation te du dajale ay done yu bees.

Xam SpecAugment ngir xàmmee kàddu

Ngir am xam-xam bu xóot, jàppal SpecAugment ngir Xamme Kaddu ni xeetu liggéey, du benn man-man. Mandargal njariñ yi nga bëgg, leeral li nga xalaat, ba noppi tàqale li sistem bi mëna def ci anam wu wóor ak liy laaj ba leegi àtteb kàngam.

Ci jëf, ekip yu am doole yiy jëfandikoo SpecAugment ngir Xamme Kaddu yi dañuy jàppee kalite, latency, ak nangu ni cër yu am solo ci pexem jëfandikoo gi. Dañuy bind kritër yu leer ngir am ndam, natt leen ci done yu dëggu ak def liggéey, ba noppi ñu baamtu ci anamu ñàkka mëna seetlu, du ci benn yoon benchmark wins. Mooy barab bi xam-xam theorie bi di soppiku nekk kàttan buy yàgg ci produit yi, ci politik yi ak ci liggéey yi.

Dafay gëna yombal jëfandikoo gi jaaraleko ci transkripsioŋ, nettali ak interfaasu baat. Ci jamano jooju, risku jëfandikoo Baat bu baaxul ak niru ak nit dafay gëna yokk sudee nanguwul. Xeetu jëf bi gëna dëgër mooy boole gaawaayu jàngat ak disipline nguur: doxal pilote, jàpp firnde, siiwal dogal yi, ak wéy di yeesal kaaraange gi ci anam wi ñuy doxalee, li jëfandikukat bi di xaar, ak sàrti sàrt yi di jëm kanam.

njeextalu pexe

Dafay gëna yombal jëfandikoo gi jaaraleko ci transkripsioŋ, nettali ak interfaasu baat.

Dafay gëna yombal jëfandikoo gi jaaraleko ci transkripsioŋ, nettali ak interfaasu baat. Ci jëfandikoo yu am kalite bu kawe, loolu dañu koy tekki ci sàrti liggéey yuñ mëna natt, ay peggu boroom, ak ay xew-xewu xoolaat yu bari suko defee ekip yi mëna yokk wóolu seen bopp ci barabu yokk lu jaxasoo.

Ekipu mejaa yi mën nañu yónnee audio bu leer ci anam wu gëna gaaw te seen xaalis gëna néew.

Ekipu mejaa yi mën nañu yónnee audio bu leer ci anam wu gëna gaaw te seen xaalis gëna néew. Ci jëfandikoo yu am kalite bu kawe, loolu dañu koy tekki ci sàrti liggéey yuñ mëna natt, ay peggu boroom, ak ay xew-xewu xoolaat yu bari suko defee ekip yi mëna yokk wóolu seen bopp ci barabu yokk lu jaxasoo.

Sistem yiy jàkkarloo ak kiliyaan bi mën nañu def waxtaan ci anam wu gëna yaatu.

Sistem yiy jàkkarloo ak kiliyaan bi mën nañu def waxtaan ci anam wu gëna yaatu. Ci jëfandikoo yu am kalite bu kawe, loolu dañu koy tekki ci sàrti liggéey yuñ mëna natt, ay peggu boroom, ak ay xew-xewu xoolaat yu bari suko defee ekip yi mëna yokk wóolu seen bopp ci barabu yokk lu jaxasoo.

Ëlëgu SpecAugment ngir xàmmee kàddu

SpecAugment nekk na default bu jege-universel ci xàmmee kàddu yi te mingi tasaaroo ci yeneen liggéey audio yu melni xool kàddukat yi ak xaaj son yi. Liggéey bi ci topp dafay aju ci politiku maskeer ci saasi wala mu méngale leen ci diiru tàggat, ba noppi boole maskeer spectrogram ak mébetu tàggat-yaram bu ñuy saytu seen bopp. Lu model yi di gëna màgg, yokk bu yomb biy yokk doole te du am benn etiketu audio bu gëna am solo, rawatina ci làkk yu néew doole yi nga xamni done yi bariwul.

Doxal ci àdduna dëgg

Yokkatal njuumti ci kàddu ci LibriSpeech ci maskeer bande spectrogram yi ci diiru tàggat yaram

Yamale xeetu ASR yu mujj ba ci njeexte yu melni LAS wala Conformer ngir wàññi jëfandikoo gu ëpp

Yokk ay done yu néew ngir làkk yu néew doole te doo enregistre ay audio yu bees

Defar xalaatu maske ngir saytu kàddukat yi ak xaaj xew-xewu audio

Modèlu jëfandikoo

SpecAugment ngir xàmmee kàddu ci jëf

Yokkateg njuumti ci kàddu ci LibriSpeech ci maskeer bande spectrogram yi ci diiru tàggat yaram.

Ekip yi dañuy faral di am njariñ yu gëna baax suñu tëralee ay threshold yu baax ci kanam, tëye yoonu escalation nit ngir jafe-jafe yi, ba noppi topp benefiis yi ak njëgu njuumte yi ci diir bi.

SpecAugment ngir xàmmee kàddu ci jëf

Yamale xeetu ASR yu mujj ba ci njeexte lu melni LAS wala Conformer ngir wàññi fitting bu ëpp.

Ekip yi dañuy faral di am njariñ yu gëna baax suñu tëralee ay threshold yu baax ci kanam, tëye yoonu escalation nit ngir jafe-jafe yi, ba noppi topp benefiis yi ak njëgu njuumte yi ci diir bi.

SpecAugment ngir xàmmee kàddu ci jëf

Yokk ay done yu néew ngir làkk yu néew doole te doo enregistre audio bu bees.

Ekip yi dañuy faral di am njariñ yu gëna baax suñu tëralee ay threshold yu baax ci kanam, tëye yoonu escalation nit ngir jafe-jafe yi, ba noppi topp benefiis yi ak njëgu njuumte yi ci diir bi.

SpecAugment ngir xàmmee kàddu ci jëf

Defar xalaatu maskeer bi ngir saytu kàddukat bi ak xaaj xew-xewu audio bi.

Ekip yi dañuy faral di am njariñ yu gëna baax suñu tëralee ay threshold yu baax ci kanam, tëye yoonu escalation nit ngir jafe-jafe yi, ba noppi topp benefiis yi ak njëgu njuumte yi ci diir bi.

Risk yi ak balustrade yi

!

Jëfandikoo baat ci anam wu jaarul yoon ak niru ak nit dafay gëna yokk sudee nanguwul.

!

Jaar-jaar mën na wàññeeku ci aksan yi, dialect yi wala barab yu bari xumbaay.

!

Audio synthetik mën nañu ko jaawale ak wax ju dëggu sudee amul etiket bu leer.

Roadmap ngir samp gi

1

Wutal ndigal bu leer ngir jàpp baat bi, klone ko ak jëfandikoowaat ko.

Jàppaleel lii ni buntu firnde: sudee mattul kritër yi, dakkal génne gi, tëj bërëb bi, suko defee nga yaatal jëfandikoo gi.

2

Saytu kalite ci kàddukat yu bari ak anam yu bari ci ginaaw.

Jàppaleel lii ni buntu firnde: sudee mattul kritër yi, dakkal génne gi, tëj bërëb bi, suko defee nga yaatal jëfandikoo gi.

3

Mandargal kañ la nit wara xoolaat wala nangu ay génne.

Jàppaleel lii ni buntu firnde: sudee mattul kritër yi, dakkal génne gi, tëj bërëb bi, suko defee nga yaatal jëfandikoo gi.

4

Etiketu audio synthetik te nga denc dokimaa ci fimu bawoo ngir mëna lim.

Jàppaleel lii ni buntu firnde: sudee mattul kritër yi, dakkal génne gi, tëj bërëb bi, suko defee nga yaatal jëfandikoo gi.

Weyal di banneexu

Check your understanding

Test yourself: take the SpecAugment for Speech Recognition quiz

Start quiz