タグ
#音声認識の記事一覧
2件の記事があります。
音声AI
Whisperとは？雑音や多言語に強い音声認識基盤モデルの仕組みと使い道
Whisperは、68万時間の多言語・マルチタスク音声データで学習された音声認識モデルです。なぜ従来のASRより頑健なのか、30秒単位の処理や特殊トークン設計、ゼロショット性能、実務での活かし方まで技術的に解説します。
参照論文：Robust Speech Recognition via Large-Scale Weak Supervision
音声AI
SpecAugmentとは？音声認識の精度を上げるスペクトログラム拡張の仕組みと使い道
SpecAugmentは、音声のスペクトログラムに時間方向・周波数方向のマスキングや時間伸縮を加えるだけで、音声認識モデルの汎化性能を大きく高める学習手法です。なぜ単純な欠損付与が効くのか、どのように学習へ組み込むのか、音声AIや系列モデル開発にどう応用できるのかを解説します。
参照論文：SpecAugment: A Simple Data Augmentation Method for Automatic Speech Recognition