Introduction  Si vous vous êtes lancé dans le domaine de la reconnaissance vocale automatique (« ASR »), il y a de fortes chances que vous ayez rencontré   de Meta AI Research. Il existe d'excellentes ressources techniques, dont la moindre n'est pas l'   lui-même, qui décrit le fonctionnement du modèle d'apprentissage automatique (« ML »). De plus, l'équipe Meta AI Research propose un bel   sur son site Web. wav2vec 2.0 (« wav2vec2 ») article original wav2vec2 aperçu de wav2vec2  Je vous encourage à y jeter un œil car il offre un joli résumé de l'article académique et puisque les illustrations du modèle wav2vec2 dans cet article proviennent de cette page. Compte tenu de ce qui précède, il ne semble pas y avoir beaucoup d’articles expliquant wav2vec2 en « anglais simple ». C’est exactement ce que j’essaie de faire avec cet article.  Cet article suppose que vous comprenez certains concepts de base du ML et que vous souhaitez comprendre comment wav2vec2 fonctionne à un niveau élevé, sans trop entrer dans les détails.  En conséquence, les sections suivantes tentent d’éviter de nombreux détails techniques au profit d’explications simples et d’analogies utiles, le cas échéant.  Cela étant dit, il est utile de savoir dès le début que wav2vec2 est composé de 3 composants principaux : le   , le   et le   . Feature Encoder Quantization Module Transformer  Chacun sera discuté au cours du démarrage de la discussion avec quelques idées de base tout en développant des points plus complexes (mais toujours digestes). Gardez à l’esprit que wav2vec2 peut être utilisé à d’autres fins que l’ASR.  Cela étant dit, ce qui suit traite du modèle dans un contexte spécifique à l'ASR.  Un aperçu en douceur  Au moment de son introduction en 2020, wav2vec2 offrait un nouveau cadre pour créer des systèmes ASR. Qu’y avait-il de si spécial ? Avant wav2vec2, les systèmes ASR étaient généralement formés à l'aide   . Autrement dit, les modèles antérieurs ont été formés sur de nombreux exemples d’audio vocal,   exemple étant associé à une transcription. Pour expliquer l'idée, considérons cette forme d'onde :  de données étiquetées chaque  Il n’est pas tout à fait clair ce que représente cette forme d’onde rien qu’en la regardant. Mais si l'on vous dit que l'orateur qui a généré cet audio a prononcé les mots « hello world », vous pouvez probablement faire des suppositions intelligentes quant aux parties de la forme d'onde qui correspondent au texte qui la représente.  Vous pourriez supposer – à juste titre – que le premier segment de la forme d’onde est associé au mot « bonjour ». De même, les modèles ASR peuvent apprendre à établir des associations entre des segments de forme d'onde audio parlée et du texte écrit.  Cependant, comme le soulignent les chercheurs originaux de wav2vec2 dans leur article,  « [de nombreux] systèmes de reconnaissance vocale nécessitent des milliers d'heures de transcription de la parole pour atteindre des performances acceptables, ce qui n'est pas disponible pour la grande majorité des près de 7 000 langues parlées dans le monde. »  Ainsi, les enquêteurs de wav2vec2 ont inventé un nouveau modèle dans lequel il n'est pas nécessaire d'avoir « des milliers d'heures de parole transcrite » pour entraîner le système. Ils font référence à une analogie humaine utile : les bébés   à parler en entendant un mot, puis en voyant immédiatement une représentation textuelle de ce mot. n’apprennent pas  Ils apprennent   de la parole en écoutant les personnes de leur environnement (par exemple leurs parents, leurs frères et sœurs, etc.). wav2vec2 apprend de manière analogue : en   d'abord. les représentations écoutant  Bien entendu, la manière dont cela est réalisé est le point de discussion dans cet article. Gardez à l’esprit que wav2vec2 est globalement conçu pour   : accomplir 2 choses  Découvrez ce que les unités vocales doivent recevoir des échantillons d'audio non étiquetés.  Prédisez les unités vocales correctes.  À ce stade, vous n’avez pas besoin de bien comprendre ce que signifient ces points. Ils seront expliqués ci-dessous. Gardez-les simplement à l’arrière de votre tête pour le moment.  Unités d'apprentissage de la parole  Imaginez que vous disposez d'un énorme ensemble de données d'échantillons audio, par exemple pour un certain nombre d'anglophones. Même sans formation formelle en   , vous comprendrez peut-être intuitivement que la langue anglaise est vocalisée à l'aide d'un ensemble de sons de base qui sont « enchaînés » pour former des mots, des phrases, etc. phonétique  Bien sûr, si vous êtes anglophone, vous ne pensez pas à parler de cette façon et vos vocalisations sur tout ce que vous voulez dire sont plus ou moins automatiques ! Mais le fait est que la langue anglaise parlée – et en réalité n’importe quelle langue parlée – peut être décomposée en sons plus basiques et plus discrets.  Si nous pouvions d'une manière ou d'une autre convaincre un modèle ASR d'« extraire » ces sons de base, cela nous permettrait d'   n'importe quel échantillon audio de langage parlé en les utilisant. C'est ce que fait wav2vec2 en   sur les données audio. encoder pré-entraînant  Le pré-entraînement, dans ce contexte, signifie que la première partie de l'entraînement du modèle est   dans la mesure où il   « indiqué » quels devraient être les sons de base pour un ensemble donné de données audio. auto-supervisée n'est pas explicitement  En plongeant un peu plus, le système est « nourri » d'un grand nombre d'exemples uniquement audio et, à partir de ces exemples, est capable d'apprendre un ensemble d'   . unités vocales de base  Ainsi, chaque exemple audio est effectivement composé d’une combinaison de ces unités vocales ; de la même manière que vous pouvez diviser un échantillon audio parlé en une séquence de   . phonèmes  Il est important de noter que les unités vocales de base apprises par wav2vec2 sont plus courtes que les phonèmes et durent 25 millisecondes.  La question qui se pose à ce stade est la suivante : comment wav2vec2 apprend-il ces unités vocales à partir de l'audio uniquement ?  Le processus d'apprentissage des unités vocales commence avec le Feature Encoder. wav2vec2  "encode l'audio vocal via un réseau neuronal convolutif multicouche."  Les réseaux de neurones convolutifs, ou CNN, sont des modèles qui nous permettent d'apprendre des fonctionnalités à partir d'une entrée donnée sans que ces fonctionnalités soient explicitement identifiées au préalable.  Chaque   d'un CNN peut être considérée comme extrayant des fonctionnalités d'une entrée, ces fonctionnalités devenant de plus en plus complexes à mesure que vous progressez vers des couches supérieures. couche  Dans le cas des données audio, vous pourriez imaginer la première couche d'un CNN examinant   d'informations audio et extrayant des caractéristiques de bas niveau, telles que des sons primitifs. les fenêtres  Une couche ultérieure du même CNN, exploitant les caractéristiques de niveau inférieur extraites dans les couches précédentes, coderait des caractéristiques de niveau supérieur, telles que des sons se rapprochant des phonèmes.  Suivant cette idée, wav2vec2 peut commencer à   en transmettant des tranches de temps de chaque exemple audio dans l'encodeur de fonctionnalités et en générant une   de chaque tranche.  "apprendre quels échantillons d'audio non étiquetés les unités vocales doivent recevoir" représentation latente  Cependant, l’ensemble des représentations latentes ne représente pas des unités vocales discrètes. Ces représentations doivent être discrétisées d'une manière ou d'une autre. Ceci est accompli en transmettant la sortie du Feature Encoder à un   .  module de quantification  En effet, le   prend toutes les différentes représentations audio générées par le Feature Encoder et les réduit à un ensemble fini d'unités vocales. Il vaut la peine de se demander à ce stade si wav2vec2 doit être pré-entraîné sur une seule langue ou sur plusieurs langues. module de quantification  La logique nous dit que la capture d'unités vocales représentant plusieurs langues plutôt qu'une seule langue sera probablement plus utile lors de la conception de systèmes ASR pouvant être utilisés dans de nombreuses langues.  À cette fin, le pré-entraînement de wav2vec2 avec une sélection d'échantillons audio multilingues permet au modèle de produire des unités vocales qui capturent en fait plusieurs langues.   Les enquêteurs de wav2vec2 ont noté la valeur de cette approche puisque   Leurs découvertes initiales ont déterminé  « pour certaines langues, même les données [audio] sont limitées ». "que certaines unités sont utilisées uniquement pour une langue particulière, tandis que d'autres sont utilisées dans des langues similaires et parfois même dans des langues qui ne sont pas très similaires".  Prédire les unités vocales  L'inventaire des unités vocales est une première étape vers la possibilité de coder des échantillons audio de langue parlée. Mais ce que nous voulons vraiment réaliser, c'est former wav2vec2 sur la façon dont ces unités interagissent les unes avec les autres.  En d’autres termes, nous voulons comprendre quelles unités vocales sont susceptibles d’apparaître dans le même   les unes que les autres. wav2vec2 s'attaque à cette tâche via la couche Transformer.  contexte  Le Transformer permet essentiellement à wav2vec2 d'apprendre, de manière statistique, comment les unités vocales sont réparties entre les différents exemples audio. Cette compréhension facilite l'encodage des échantillons audio que le modèle « verra » après le pré-entraînement.  Réglage fin  En fin de compte, un système ASR doit être capable de générer une transcription textuelle pour une séquence audio donnée qu’il n’a jamais « vue » auparavant. Après un pré-entraînement via les étapes décrites ci-dessus, wav2vec2 est   à cet effet. Cette fois, le modèle montre   des exemples d'échantillons audio et leurs transcriptions associées. affiné explicitement  À ce stade, le modèle est capable d'utiliser ce qu'il a appris au cours du pré-entraînement pour coder des échantillons audio sous forme de séquences d'unités vocales et pour mapper ces séquences d'unités vocales à des lettres individuelles du vocabulaire représentant les transcriptions (c'est-à-dire les lettres "a" à " z" dans le cas de l'anglais).  L'apprentissage lors du réglage fin complète l'entraînement du modèle wav2vec2 et lui permet de prédire le texte de nouveaux exemples audio qui ne faisaient pas partie de son apprentissage lors du réglage fin.  Conclusion  Bien entendu, les mécanismes de bas niveau de wav2vec2 sont bien plus complexes que ce qui est présenté ci-dessus. Cependant, je le répète, l'idée de cet article est de vous fournir une compréhension simple et conceptuelle du fonctionnement du modèle et de la manière dont il est entraîné.  wav2vec2 est un framework ML très puissant pour la création de systèmes ASR et sa     introduite fin 2021 a été formée sur 128 langages, fournissant ainsi une plate-forme améliorée pour la conception de modèles ASR dans plusieurs langages. variante XLS-R  Comme mentionné dans l'introduction, il existe un certain nombre d'excellentes ressources techniques disponibles pour vous aider à en savoir plus. En particulier, vous trouverez peut-être que ceux fournis par   sont particulièrement utiles. Hugging Face

Read My Stories

Cet audio est produit dans la langue originale de l'histoire !

wav2vec2 pour la reconnaissance vocale automatique en anglais simple

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Nomades numériques, écoutez : ce que vous devez savoir sur le nouveau visa DTV de la Thaïlande

Des forums aux flux : comment les algorithmes des réseaux sociaux façonnent l'interaction numérique

Vous voulez gagner un concours d’écriture HackerNoon ? Voici ce que recommandent les gagnants du concours #crypto-api

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

Nomades numériques, écoutez : ce que vous devez savoir sur le nouveau visa DTV de la Thaïlande

Des forums aux flux : comment les algorithmes des réseaux sociaux façonnent l'interaction numérique

Vous voulez gagner un concours d’écriture HackerNoon ? Voici ce que recommandent les gagnants du concours #crypto-api

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps