DeepSpeech faaji
DeepSpeech jẹ awoṣe idamọ ọrọ ipari-si-opin ti a ṣe nipasẹ Baidu ni ọdun 2014 ti o ṣe awọn maapu awọn ẹya ohun afetigbọ taara taara si ọrọ nipa lilo nẹtiwọọki ti nwaye loorekoore ti o ni ikẹkọ pẹlu pipadanu CTC.
Akopọ
O ṣe iranlọwọ lati ṣe aṣáájú-ọnà naa kuro ni idiju, awọn opo gigun ti ASR ti a ṣe pẹlu ọwọ si awọn ọna ṣiṣe ti a kọ ẹkọ.
Jin Dive
Àwọn olùdámọ̀ ọ̀rọ̀ sísọ ọ̀rọ̀ sísọ jọpọ̀ àwọn àwòkọ́ọ̀sì ọ̀tọ̀ọ̀tọ̀, àwọn ìwé ìtumọ̀ ìtumọ̀ ọ̀rọ̀, àti àwọn àwòkọ́ èdè pẹ̀lú àwọn ohun èlò tí a ṣàtúnṣe. DeepSpeech rọpo pupọ julọ iyẹn pẹlu nẹtiwọọki nkankikan kan ti ikẹkọ ipari si ipari. Iṣagbekalẹ rẹ gba spectrogram tabi awọn ẹya MMFC lori awọn fireemu ohun kukuru ati ifunni wọn nipasẹ ọpọlọpọ awọn fẹlẹfẹlẹ ti o ni asopọ ni kikun, Layer loorekoore bidirectional ti o gba ipo-ọrọ lati iṣaaju ati ọjọ iwaju, ati ipele iṣelọpọ ti n ṣejade pinpin iṣeeṣe lori awọn kikọ ni igbesẹ kọọkan. Ni pataki, o nlo Isọdi Igba otutu Connectionist (CTC), eyiti o jẹ ki nẹtiwọọki kọ ẹkọ awọn titopọ laarin ohun ati ọrọ laisi nilo awọn aami ipele-fireemu. Mozilla nigbamii ṣe idasilẹ imuse orisun ṣiṣi olokiki kan (pẹlu awọn ẹya tuntun ni lilo orisun LSTM kan, apẹrẹ ṣiṣan), ti o jẹ ki ọna naa ni iraye si lọpọlọpọ.
Imọ-imọ-ẹrọ
Olupese bọtini ni pipadanu CTC. Ọrọ ati ọrọ ko ni ibamu pẹlu fireemu-nipasẹ-fireemu, nitorinaa CTC ṣafihan aami 'ofo' kan ati awọn akopọ lori gbogbo awọn titete ti o ṣeeṣe ti o ṣubu si iwe afọwọkọ ibi-afẹde. Eyi jẹ ki awoṣe gbejade ohun kikọ kan fun igbesẹ akoko ki o kọ ẹkọ nibiti awọn ohun orin ṣe maapu si awọn lẹta laifọwọyi. RNN oniwakasi kan n funni ni iraye si asọtẹlẹ kọọkan si agbegbe akositiki agbegbe, ati awoṣe ede n-gram ita ita nigbagbogbo ni a ṣafikun ni akoko ipinnu lati ṣe ilọsiwaju akọtọ ati yiyan ọrọ.
Ipa Ilana
Wiwọle ati arọwọto
O ṣe ilọsiwaju iraye si nipasẹ transcription, alaye, ati awọn atọkun ohun.
Iye owo ati isuna
Awọn ẹgbẹ Media le firanṣẹ ohun didan yiyara pẹlu awọn isuna-owo kekere.
Iyara ati iwọn
Awọn ọna ṣiṣe ti nkọju si alabara le ṣe ilana awọn ibaraẹnisọrọ sisọ ni iwọn nla.
Ojo iwaju ti DeepSpeech Architecture
DeepSpeech funrarẹ ni a ti rọpo pupọ nipasẹ akiyesi- ati awọn ile-itumọ ti o da lori ẹrọ iyipada (Conformer, Whisper, wav2vec 2.0) ti o gba ipo ọrọ gigun ati abojuto ara ẹni lori ohun ti ko ni aami. Ṣugbọn awọn imọran pataki rẹ, ikẹkọ ipari-si-opin ati iyipada CTC, wa ni ipilẹ ati tun han ninu awọn eto arabara ode oni. Ipilẹṣẹ jẹ imọran: o fihan pe awoṣe ti o kọ ẹkọ kan le dije awọn opo gigun ti ẹrọ ti o wuyi, ni ṣiṣi ọna fun nla ode oni, awọn ede pupọ, awọn awoṣe ipilẹ ọrọ ti iṣakoso ti ara ẹni.
Real-World imuse
Aisinipo, idanimọ pipaṣẹ ohun ẹrọ lori ẹrọ fun awọn ohun elo ti o ni idojukọ ikọkọ nipa lilo DeepSpeech ṣiṣi ti Mozilla
Ṣiṣẹda awọn iwe afọwọkọ ti awọn adarọ-ese tabi awọn ikowe laisi gbigbekele iṣẹ awọsanma kan
Kikọ awọn ipilẹ ti opin-si-opin ASR ati ipadanu CTC ni awọn iṣẹ ikẹkọ ẹrọ ile-ẹkọ giga
Ṣiṣe awọn atọkun ohun aṣa fun IoT tabi awọn ẹrọ ifibọ nibiti iwuwo fẹẹrẹ kan, idanimọ ṣiṣan ti nilo
Awọn ewu & Awọn ọna iṣọ
ilokulo ohun ati awọn ewu afarawe ṣe pọ si nigbati igbanilaaye ba sonu.
Yiye le ju silẹ kọja awọn asẹnti, awọn ede-ede, tabi awọn agbegbe alariwo.
Ohun afetigbọ sintetiki le jẹ aṣiṣe fun ọrọ ododo laisi isamisi to yege.
Ilana Ilana imuse
Gba ifọkansi ti o fojuhan fun gbigba ohun, ti ẹda, ati ilotunlo.
Didara idanwo kọja awọn agbohunsoke oniruuru ati awọn ipo abẹlẹ.
Ṣetumo nigbati eniyan gbọdọ ṣe atunyẹwo tabi fọwọsi awọn abajade.
Aami ohun sintetiki ki o tọju awọn igbasilẹ provenance fun iṣiro.
Tesiwaju Ṣiṣawari
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 DeepSpeech Architecture 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
Itọsọna atẹle
Conformer faaji
Awọn ibeere ti a beere nigbagbogbo
Kini DeepSpeech Architecture?
DeepSpeech jẹ awoṣe idamọ ọrọ ipari-si-opin ti a ṣe nipasẹ Baidu ni ọdun 2014 ti o ṣe awọn maapu awọn ẹya ohun afetigbọ taara taara si ọrọ nipa lilo nẹtiwọọki ti nwaye loorekoore ti o ni ikẹkọ pẹlu pipadanu CTC. O ṣe iranlọwọ lati ṣe aṣaaju-ọna iyipada kuro ni eka, awọn opo gigun ti ASR ti a fi ọwọ ṣe si ọna ikẹkọ, awọn ọna ṣiṣe data.
Iṣẹ pipadanu wo ni o gba DeepSpeech lọwọ lati ṣe ikẹkọ laisi titete ipele-fireemu laarin ohun ati ọrọ?
CTC ṣafihan aami òfo ati awọn akopọ lori gbogbo awọn titete to wulo ti n ṣubu si ọrọ ibi-afẹde, yiyọ iwulo fun awọn aami-fireemu kọọkan.
Kini imoye ti ayaworan akọkọ ti DeepSpeech ṣe olokiki?
DeepSpeech rọpo opo gigun ti opo-ipele pupọ ti aṣa pẹlu nẹtiwọọki nkankikan kan ti oṣiṣẹ ipari si ipari, iyipada nla ni apẹrẹ ASR.
Kini idi ti DeepSpeech ṣe lo Layer loorekoore bidirectional?
RNN bidirectional kan ṣe ilana ọkọọkan ni awọn itọnisọna mejeeji, nitorinaa abajade kọọkan ni anfani lati inu agbegbe akositiki agbegbe, imudara deede.
Iru awọn ẹya igbewọle wo ni DeepSpeech ṣe deede ṣiṣẹ lori?
Awoṣe naa n gba awọn ẹya ohun afetigbọ ipele-fireemu gẹgẹbi awọn spectrograms tabi awọn MFCC ati awọn iṣeeṣe ohun kikọ silẹ fun igbesẹ akoko kọọkan.
Kini a ma nfikun nigbagbogbo ni akoko iyipada lati mu ilọsiwaju ọrọ DeepSpeech ati akọtọ ọrọ dara si?
Pipọpọ iṣelọpọ akositiki pẹlu awoṣe ede ita lakoko iyipada ṣe iranlọwọ fun eto lati gbejade awọn ọrọ ti o ṣeeṣe diẹ sii ati awọn Akọtọ.