一篇新的研究论文系统地比较了端到端自动语音识别（ASR）模型，特别是连接主义时间分类（CTC）和神经换能器模型的搜索空间复杂性和效率。研究表明，虽然这些模型通常在较小的搜索空间中运行，但在不确定时刻，它们的假设数量可能会出现显著的暂时性峰值。研究证明，基于分数的剪枝可以动态地根据模型的不确定性调整搜索，从而显著降低实时因子（RTF），并突出了固定大小束剪枝的局限性。 AI
影响 为优化端到端自动语音识别系统中的搜索效率提供了实用指南。
排序理由 该条目是一篇发表在arXiv上的研究论文，详细介绍了对自动语音识别模型的系统性比较。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX Code Finder for Papers
- Connectionist Temporal Classification
- CORE Recommender
- DagsHub
- Gotit.pub
- Hidden Markov models
- Hugging Face
- Influence Flower
- language model
- ScienceCast
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
