Ripasso di Ascoltare.
Il corso Ascoltare in nove concetti, dai campioni del microfono alla voce sintetica, e sei domande che mettono insieme le lezioni. Se una risposta non torna, sotto la spiegazione trovi il capitolo da rileggere.
I concetti chiave.
- Campionamento
Misurare il suono a intervalli regolari e scrivere ogni misura come un numero, il campione. Per la voce i modelli usano di solito 16.000 campioni al secondo.
- Frequenza
Quante volte al secondo vibra un suono, in hertz. Le vibrazioni veloci sono i suoni acuti, quelle lente i gravi. La trasformata di Fourier scompone un suono nelle sue frequenze.
- Spettrogramma
Un'immagine del suono. In orizzontale c'è il tempo, in verticale le frequenze, e il colore dice quanta energia c'è in ogni punto.
- Scala mel
Una scala delle frequenze che imita l'orecchio. Tiene tante righe per i suoni gravi, dove sentiamo bene le differenze, e poche per gli acuti.
- Falsi allarmi
Le volte in cui un modello che ascolta o sorveglia scatta senza motivo. Per i modelli sempre accesi si contano all'ora, insieme ai casi veri persi.
- Parola chiave
Un modello minuscolo sempre in ascolto che cerca una sola parola, come Ehi Siri, e sveglia il resto del telefono solo quando la sente.
- Trascrizione
Trasformare la voce in testo scritto, parola per parola. In inglese automatic speech recognition, ASR. Whisper è uno dei modelli più usati.
- WER
Word error rate. Parole cambiate, mancanti e in più divise per le parole del testo giusto. Misura quanto sbaglia una trascrizione.
- Sintesi vocale
Trasformare un testo in voce. Il modello passa dai suoni della lingua a uno spettrogramma e poi all'onda da far suonare.
6 domande che nelle lezioni non c'erano.
Mettono insieme le lezioni del corso. Dopo ogni risposta c'è la spiegazione e il punto da rileggere. Il ripasso non cambia la mappa.
-
Vuoi riconoscere un fischio molto acuto, sopra gli 8000 hertz. Bastano 16.000 campioni al secondo?
Per ogni oscillazione servono almeno due campioni. Con 16.000 al secondo prendi le frequenze fino a 8000 hertz. Per un suono più acuto ne servono di più, e il microfono ne registra 48.000. Lo spiega la 03.01, Approfondisci →
-
Cosa hanno in comune il modello del campanello e Whisper?
Prima il suono diventa un'immagine di frequenze nella scala mel. Il modello del campanello ne guarda un secondo alla volta, Whisper trenta secondi. Cambia quello che succede dopo. Lo spiega la 03.04, capitolo 3 →
-
Vuoi un'app che ascolti tutto il giorno se un neonato piange. Cosa conta di più nella scelta del modello?
Un modello che gira ogni mezzo secondo deve costare quasi niente, o scarica la batteria. Se serve più precisione, un secondo modello più grande si sveglia solo quando il primo sente qualcosa. Lo spiega la 03.03, capitolo 2 →
-
Dopo la parola chiave, il tuo assistente manda in rete quello che sente. Quale errore conviene tenere più basso?
Ogni falso allarme manderebbe in rete frasi che nessuno voleva mandare. Meglio una soglia alta, e accettare che ogni tanto la parola vada ripetuta. Lo spiega la 03.03, capitolo 5 →
-
Un'app per un magazzino deve capire cinque comandi, anche senza rete. Cosa usi?
Con pochi comandi fissi basta una classificazione, come per i tre suoni di casa. Un modello piccolo gira nel telefono senza rete, e sbaglia meno della trascrizione completa. Lo spiega la 03.04, capitolo 1 →
-
Un modello di trascrizione ha un WER del 5 per cento sui notiziari. Lo vuoi usare in un'officina. Cosa fai?
Il WER vale per le frasi su cui l'hai misurato. Rumore e voci diverse lo cambiano, quindi lo misuri con le frasi vere, dette dalle persone che le diranno. Lo spiega la 03.04, capitolo 4 →