Discovery znanje
/ Knowledge Discovery >> Discovery znanje >> tech >> računalnik >> internet >> izdelava spletnih strani oblikovanje >>

Expert Stuff: Googlov Mike Cohen

moramo storiti, je, da smo v bistvu imeli model, ki ima tri temeljne komponente, ki mu je ta model v različne vidike govornega signala. Prvi del se imenuje akustični model in v bistvu, kaj to je, je model za vse osnovne zvoke jeziku.
Kaj točno je zvočni vzorec?

Torej gradimo zvočni model za ameriški angleščini, in imamo model za " ah, " in " uh, " in " BUH, " in " tuh, " in " mm, " in " nn " in tako naprej in tako naprej za vse osnovne zvoke jezika. Pravzaprav, to je malo bolj zapletena, kot da zato, ker se je izkazalo - sprejme " aa " zveni v angleškem jeziku. &Quot; aa " v besedi " matematiki, " v primerjavi z " aa " v besedi ". tap " So nekaj proizvajajo različno, in zvenijo nekoliko drugače, in tako smo dejansko potrebujejo različne modele za " aa " zvok, ali je to po M versus po T. proizvodnja teh temeljnih zvokov ali fonemov se razlikuje glede na njihov kontekst

Imamo veliko, veliko modelov za ". aa " zvok, in to je drugačen model, če je predhodnik je " mm " v primerjavi z " tuh, " npr. Tako, da je prvi del modela, akustičnega modela, modela, ki so vse od temeljnih zvokov danem njihov kontekst.
Kaj še morate poleg akustičnega modela?

Naslednji del od Model se imenuje leksikon, slovar. In kaj je to, je definicija za vse besede v jeziku, kako se izgovarja. Z drugimi besedami, katere temeljne zvoki smo niz skupaj, ali celo katere od teh akustičnih modelov smo niz skupaj ustvariti besed. Tako, na primer, bi to leksikon imeti informacije, kot veste, lahko bi rekli, " EH-conomics " ali " ee-conomics " v angleščini in oni so tako veljavne načine - ali tipične načine - za izgovorijo besedo ". Economics "

Tretji del modela je model, kako smo dal besede skupaj v fraze in stavki v jeziku. Vse to so statistični modeli, in tako na primer, ta model, čeprav je zajem, nekako, slovnične omejitve jezika, da to počne v statističnem način temelji na njej hranjenje veliko podatkov. Tako, na primer, bi ta model se naučijo, da če recognizer misli, da samo priznana " psa " in zdaj poskuša ugotoviti, kaj je naslednji beseda, morda vedeli, da " tekel " je bolj verjetno kot " pan " ali " lahko " kot naslednjo besedo samo zaradi tega, kar vemo o rabi jezika v angleščini

Page [1] [2] [3] [4] [5] [6] [7] [8]