Périphériques technologiques
IA
Intelligence artificielle : technologie de reconnaissance vocale
Intelligence artificielle : technologie de reconnaissance vocale
Aujourd'hui je vais vous présenter quelques connaissances sur la reconnaissance vocale, j'espère que cela vous sera utile !
1. Qu'est-ce que la parole ?
La parole fait référence aux sons que les humains émettent à travers les organes vocaux, qui ont une certaine signification et sont utilisés pour la communication.
Stockage de la parole dans l'ordinateur : il est stocké sous forme de fichiers de forme d'onde. Les changements dans la voix sont reflétés à travers la forme d'onde, de sorte que des informations sur les paramètres tels que l'intensité sonore et la longueur du son peuvent être obtenues.
Paramètres de la plage vocale : spectre de Fourier, fréquence Mel au coefficient spectral, principalement utilisé pour extraire la différence de contenu vocal et de timbre afin d'identifier davantage les informations vocales.
2. Qu'est-ce que la reconnaissance vocale ?
La reconnaissance vocale est simplement le processus de conversion automatique du contenu vocal en texte.
Domaines impliqués : acoustique, intelligence artificielle, traitement du signal numérique, psychologie, etc.
Entrée pour la reconnaissance vocale : une séquence pour lire un fichier son.
Sortie de la reconnaissance vocale : Le résultat de la sortie est une séquence de texte.
3. Principe de la reconnaissance vocale
La reconnaissance vocale nécessite quatre parties : l'extraction de caractéristiques, le modèle acoustique, le modèle vocal, le décodage vocal et l'algorithme de recherche.
Extraction de fonctionnalités : Extraire le signal à analyser du signal d'origine. Cette étape comprend principalement des opérations de prétraitement telles que la standardisation de l'amplitude de la parole, la correction de la réponse en fréquence, le cadrage, le fenêtrage et la détection des points de début et de fin. , fournissant les vecteurs de caractéristiques requis pour le modèle acoustique.
Modèle acoustique : S'appuyer sur le modèle acoustique pour analyser les paramètres de la parole (fréquence des formants de la parole, amplitude, etc.) et analyser les paramètres de prédiction linéaire de la parole.
Modèle linguistique : sur la base de théories linguistiques pertinentes, calculez la probabilité d'éventuelles séquences de phrases d'extraits sonores.
Décodage vocal et algorithme de recherche : Trouvez le chemin le plus approprié en fonction de l'espace de recherche construit par le modèle acoustique + dictionnaire de prononciation + modèle vocal. Le texte est finalement affiché une fois le décodage terminé.
4. Composition du système de reconnaissance vocale
Un système de reconnaissance vocale complet comprend : le prétraitement, l'extraction de caractéristiques, l'entraînement du modèle acoustique, l'entraînement du modèle linguistique et le décodeur vocal.
4.1 Prétraitement
Traitez le signal sonore original d'entrée, filtrez le bruit de fond, les informations non importantes, et recherchez également le début et Fin du signal vocal, cadrer la voix, améliorer la partie haute fréquence du signal et d'autres opérations.
4.2 Extraction de caractéristiques
La méthode d'extraction de caractéristiques la plus couramment utilisée est le coefficient spectral de Melton (MFCC), car elle présente une bonne résistance au bruit. et robustesse.
4.3 Entraînement du modèle acoustique
Les paramètres du modèle acoustique sont entraînés en fonction des paramètres caractéristiques de la bibliothèque vocale Xuanlian, afin qu'ils puissent être combinés avec le modèle acoustique lors de la reconnaissance Le modèle est apparié pour obtenir les résultats correspondants. À l’heure actuelle, les systèmes de reconnaissance vocale traditionnels utilisent généralement le HMM pour la modélisation de modèles acoustiques.
4.4 La formation du modèle de langage
est utilisée pour prédire quelle séquence de mots est la plus susceptible d'être correcte.
4.5 Décodeur vocal
Le décodeur est le processus de reconnaissance dans la technologie de reconnaissance vocale. Selon le signal vocal d'entrée, il est ensuite formé. Le modèle acoustique HMM, le modèle linguistique et le dictionnaire de prononciation sont utilisés pour établir un espace de recherche, et le chemin le plus approprié est trouvé en fonction de l'algorithme de recherche. Afin de trouver la suite de mots la plus adaptée.
5. Scénarios d'utilisation de la reconnaissance vocale
La reconnaissance vocale est largement utilisée dans la vie quotidienne et est principalement divisée en applications fermées et ouvertes.
Application fermée : désigne principalement l'application de consignes de contrôle spécifiques.
Par exemple, il existe des maisons intelligentes courantes, telles que le contrôle des interrupteurs d'éclairage, le réglage de la température des interrupteurs du chauffe-eau, l'allumage des climatiseurs, etc. via des commandes vocales, ce qui enrichit grandement notre vie quotidienne #🎜🎜 ; #
Applications ouvertes : Le type ouvert fournit principalement des services de reconnaissance vocale par les fabricants, qui sont généralement déployés dans des cloud publics ou privés pour fournir les SDK correspondants, permettant aux clients qui utilisent les services d'appeler des services de reconnaissance vocale. Les scénarios courants incluent les méthodes de saisie, la sortie en temps réel des sous-titres de la conférence, la configuration des sous-titres de montage vidéo, etc.Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA
Jun 28, 2024 am 03:51 AM
Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine
Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag
Jun 10, 2024 am 11:08 AM
Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.
Sept questions d'entretien technique Cool GenAI et LLM
Jun 07, 2024 am 10:06 AM
Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte
Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations
Jun 11, 2024 pm 03:57 PM
Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.
Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG.
Jul 25, 2024 am 06:42 AM
L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes
Cinq écoles d'apprentissage automatique que vous ne connaissez pas
Jun 05, 2024 pm 08:51 PM
L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.
Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire
Jul 17, 2024 pm 06:37 PM
Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S
Préparant des marchés tels que l'IA, GlobalFoundries acquiert la technologie du nitrure de gallium de Tagore Technology et les équipes associées
Jul 15, 2024 pm 12:21 PM
Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g
