1
条回答
写回答
写回答
-
Paraformer语音识别声学模型主要包含以下组成部分：
1.Encoder：负责将输入的音频数据编码为声学特征向量，可以采用不同的网络结构，如self-attention，conformer，SAN-M等。
2.Predictor：为两层FFN，预测目标文字个数以及抽取目标文字对应的声学向量。
3.Sampler：为无可学习参数模块，依据输入的声学向量和目标向量，生产含有语义的特征向量。
4.Decoder：结构与自回归模型类似，为双向建模（自回归为单向建模）。
5.Loss function：包括交叉熵（CE）和Predictor优化目标MAE。2024-06-24 20:30:25赞同 1 展开评论 打赏
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
相关问答
问答排行榜
最热
最新
相关课程
更多
推荐问答
