Jasper 和 QuartzNet ASR
Jasper 和 QuartzNet 是 NVIDIA 的端到端卷积语音识别模型，QuartzNet 是 Jasper 的更小、更高效的重新设计。
概述
Jasper 和 QuartzNet 是 NVIDIA 的端到端卷积语音识别模型，QuartzNet 是 Jasper 的更小、更高效的重新设计。它们对于展示如何使用更少的参数获得较高的准确性非常重要，非常适合部署。
Jasper 和 QuartzNet ASR 位于音频 AI 工作流程中，可转换语音、音乐和声音以实现通信、可访问性和媒体制作。
深入探讨
Jasper（Just Another Speech Recognizer）由 NVIDIA 于 2019 年发布，是一个深度一维卷积网络，最多 54 层，它使用 CTC 损失将梅尔频谱图特征映射到字符。它引入了密集的残差连接，因此梯度可以干净地流过非常深的堆栈。同年发布的 QuartzNet 保留了 Jasper 的块结构，但用时间通道可分离卷积替换了标准卷积，将每个滤波器分为深度时间卷积和点通道混合步骤。这种分解将参数从 Jasper 的约 3.33 亿减少到约 1900 万，同时与 Librispeech 的准确性相匹配。两者都包含在 NVIDIA 的 NeMo 工具包中，并针对快速 GPU 训练和实时推理进行了调整，使其成为生产 ASR 的流行构建块。
技术洞察
QuartzNet 的效率来自于时间通道可分离卷积，这与 MobileNet 背后的想法相同。普通的一维卷积将时间和通道混合在一起，成本是 K 乘以 C-in 乘以 C-out 权重。将其分解为随时间变化的深度卷积加上通道上的 1x1 逐点卷积，可将参数减少到 K 乘以 C 加上 C-in 乘以 C-out。堆叠在残差块中并使用 CTC 进行训练，这可以以模型大小和计算量的一小部分提供接近 Jasper 的精度。
掌握 Jasper 和 QuartzNet ASR
为了加深理解，请将 Jasper 和 QuartzNet ASR 视为一种操作模型，而不是单个功能。定义期望的结果，澄清假设，并将系统可以可靠地完成的任务与仍需要专家判断的任务分开。
在实践中，使用 Jasper 和 QuartzNet ASR 的强大团队将质量、延迟和同意视为部署策略中同等重要的部分。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
它通过转录、旁白和语音界面提高了可访问性。与此同时，如果未征得同意，语音滥用和冒充风险就会增加。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
它通过转录、旁白和语音界面提高了可访问性。
它通过转录、旁白和语音界面提高了可访问性。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
媒体团队可以用更少的预算更快地交付精美的音频。
媒体团队可以用更少的预算更快地交付精美的音频。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
面向客户的系统可以处理更大规模的语音交互。
面向客户的系统可以处理更大规模的语音交互。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
通过 NeMo 工具包部署在 NVIDIA GPU 上的实时转录和语音助手
边缘和嵌入式 ASR，QuartzNet 占用空间小，适合内存受限的设备
针对特定领域的词汇（例如医学或法律术语）微调预训练的 QuartzNet 检查点
呼叫中心分析可快速且经济高效地转录大量音频
实施模式
Jasper 和 QuartzNet ASR 的实践
通过 NeMo 工具包在 NVIDIA GPU 上部署实时转录和语音助手。
当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
Jasper 和 QuartzNet ASR 的实践
边缘和嵌入式 ASR，其中 QuartzNet 的小占用空间适合内存受限的设备。
当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
Jasper 和 QuartzNet ASR 的实践
针对特定领域的词汇（例如医学或法律术语）微调预训练的 QuartzNet 检查点。
当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
Jasper 和 QuartzNet ASR 的实践
呼叫中心分析可快速且经济高效地转录大量音频。
当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力提升和错误成本时，通常会获得更好的结果。
风险与防护栏
如果未征得同意，语音滥用和冒充风险就会增加。
由于口音、方言或嘈杂的环境，准确性可能会下降。
如果没有明确的标签，合成音频可能会被误认为是真实的语音。
实施路线图
获得语音捕获、克隆和重用的明确同意。
将此视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
测试不同扬声器和背景条件下的质量。
将此视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
定义人员必须审查或批准输出的时间。
将此视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
标记合成音频并保留来源记录以供问责。
将此视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
不断探索
Check your understanding
Test yourself: take the Jasper and QuartzNet ASR quiz