概述
Listen、Attend 和 Spell (LAS) 是 2015 年具有里程碑意義的神經網絡，它可以將語音直接轉錄為字符，無需手工構建的發音詞典或單獨的語言模型。它表明單一端到端模型可以進行語音識別。
Listen attend 和 Spell 位於音訊 AI 工作流程中，可轉換語音、音樂和聲音以實現通訊、可存取性和媒體製作。
深入探討
Listen、Attend 和 Spell 由 Google 研究人員 Chan、Jaitly、Le 和 Vinyals 於 2015 年推出，是第一批真正的端對端語音辨識器之一。它由兩個部分組成：「Listener」（一種金字塔形雙向 LSTM，在壓縮時間維度的同時對音訊進行編碼）和「Speller」（一種基於注意力的 LSTM 解碼器，一次發出一個字元）。注意力機制讓拼字者專注於每個輸出字母的相關音訊片段。與舊的 HMM-DNN 管道不同，LAS 不需要音素字典，不需要強制對齊，也不需要單獨訓練的語言模型；它從轉錄的音訊中聯合學習拼字、單字邊界和聲學。它直接啟發了現代序列到序列和基於注意力的 ASR 系統。
技術洞察
LAS 將編碼器-解碼器與注意力機制結合。金字塔形 LSTM 編碼器將三層中每一層的時間解析度減半，將長聲學序列切割成可管理的長度，因此註意力易於處理。在每個解碼步驟中，Speller 都會計算所有編碼器狀態的注意力權重，將它們混合到上下文向量中，並預測下一個字元。訓練最大化正確字元序列的機率；計劃採樣技巧減少了訓練/測試不匹配。
掌握聽、聽、拼寫
Listen、Attend 和 Spell (LAS) 是 2015 年具有里程碑意義的神經網絡，它可以將語音直接轉錄為字符，無需手工構建的發音詞典或單獨的語言模型。它表明單一端到端模型可以進行語音識別。 Listen attend 和 Spell 位於音訊 AI 工作流程中，可轉換語音、音樂和聲音以實現通訊、可存取性和媒體製作。為了建立深入的理解，請將「聽」和「拼字」視為一種操作模型，而不是單一功能：定義所需的結果，澄清假設，並將系統可以可靠地完成的任務與仍需要專家判斷的任務分開。
在實踐中，使用 Listen attend 和 Spell 的強大團隊將品質、延遲和同意視為部署策略中同等重要的部分。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
它透過轉錄、旁白和語音介面提高了可訪問性。同時，如果未徵得同意，語音濫用和冒充風險就會增加。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
它透過轉錄、旁白和語音介面提高了可訪問性。
它透過轉錄、旁白和語音介面提高了可訪問性。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
媒體團隊可以用更少的預算更快地交付精美的音訊。
媒體團隊可以用更少的預算更快地交付精美的音訊。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
面向客戶的系統可以處理更大規模的語音互動。
面向客戶的系統可以處理更大規模的語音互動。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
現實世界的實施
無需發音字典即可將英語口語直接轉錄成字母
作為基於注意力的語音聽寫和字幕系統的概念基礎
示範學術語音辨識課程作業和基準的端到端培訓
啟發性的序列到序列模型後來用於語音翻譯管道
實施模式
在練習中聽、聽、拼寫
無需發音字典即可將英語口語直接轉錄成字母。
在沒有發音字典的情況下將英語口語直接轉錄成字母當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移跟踪生產力增益和錯誤成本時，通常會得到更好的結果。
在練習中聽、聽、拼寫
作為基於注意力的語音聽寫和字幕系統的概念基礎。
作为基于注意力的语音听写和字幕系统的概念基础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随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
在練習中聽、聽、拼寫
示範學術語音辨識課程作業和基準的端到端培訓。
演示学术语音识别课程作业和基准的端到端培训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增益和错误成本时，通常会获得更好的结果。
在練習中聽、聽、拼寫
啟發性的序列到序列模型後來被用於語音翻譯管道。
鼓舞人心的序列到序列模型后来用于语音翻译管道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随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
風險與防護欄
如果未徵得同意，語音濫用和冒充風險就會增加。
由於口音、方言或嘈雜的環境，準確性可能會下降。
如果沒有明確的標籤，合成音訊可能會被誤認為是真實的語音。
實施路線圖
獲得語音捕獲、克隆和重用的明確同意。
獲得語音捕獲、克隆和重用的明確同意。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
測試不同揚聲器和背景條件下的品質。
測試不同揚聲器和背景條件下的品質。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
定義人員必須審查或批准輸出的時間。
定義人員必須審查或批准輸出的時間。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
標記合成音訊並保留來源記錄以供問責。
標記合成音訊並保留來源記錄以供問責。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。