ContextNet
Keine Schätzung
Keine Hardwareanforderungen für dieses Modell
Die Gewichte für dieses Modell wurden nicht veröffentlicht, sodass es weder heruntergeladen noch auf Ihrer eigenen Hardware in irgendeiner Größe ausgeführt werden kann. Es ist nur über seinen Anbieter zugänglich, und keine Grafikkarte ändert daran etwas.
Aufzeichnung
Vollständige Spezifikation
Alles aufzeichnungsfähig für dieses Modell. Die meisten Informationen beschreiben, wie es trainiert wurde, anstatt wie es läuft — ein nützlicher Kontext, um zu beurteilen, wie viel Arbeit investiert wurde und wie es im Vergleich zu auf einer anderen Skala entwickelten Modellen abschneidet..
Ursprung
Wer hat dieses Modell gebaut, wo und wann es veröffentlicht wurde.
- Organisation
- Organisationstyp
- Industry
- Land
- United States of America
- Veröffentlicht
- 7 May 2020
- Autoren
- Wei Han, Zhengdong Zhang, Yu Zhang, Jiahui Yu, Chung-Cheng Chiu, James Qin, Anmol Gulati, Ruoming Pang, Yonghui Wu
Was es tut
Die Problemfelder, für die das Modell entwickelt wurde. Ein Modell kann mehrere von jedem tragen.
- Domäne
- Speech
- Aufgabe
- Speech recognition (ASR)
Größe
Wie groß das Modell ist und wie viele Daten es trainiert wurde. Die Parameter sind die Größe, die entscheidet, ob es auf eine bestimmte Grafikkarte passt.
- Parameter
- 112.7M
- Trainingsdaten
- 349,200,000 tokens
Table 5
970 hours of speech in the LibreSpeech experiments. There is mention of a "large scale experiment" which trained on audio from YouTube videos. Tracing the references, it appears to be similar to the dataset used in https://arxiv.org/abs/1610.09975, which has 125,000 hours of transcribed audio for training. However, they mention in footnote 2 that the training and evaluation set have changed from previous experiments. 125k hours at 13,680 words per hour = 1.71B words
Verfügbarkeit
Ob Sie das Modell erhalten und es auf Ihrer eigenen Hardware ausführen können, entscheidet darüber, ob eine der Grafikkartenfiguren auf dieser Seite zutrifft.
- Gewichte
- Closed — provider access only
- Modellzugang
- Unreleased
- Trainingscode
- Unreleased
Wie es klassifiziert ist
Labels der Quelldatenbank, die beim Verfolgen bemerkenswerter Modelle angewendet werden, und wie zuversichtlich sie in den Eintrag ist.
- Warum es nachverfolgt wird
- SOTA improvement
- Aufzeichnungszuversicht
- Likely
- Zitationen
- 302
"We demonstrate that on the widely used Librispeech benchmark, ContextNet achieves a word error rate (WER) of 2.1%/4.6% without external language model (LM), 1.9%/4.1% with LM and 2.9%/7.0% with only 10M parameters on the clean/noisy LibriSpeech test sets. This compares to the best previously published model of 2.0%/4.6% with LM and 3.9%/11.3% with 20M parameters"
Quellen
Woher diese Aufzeichnung stammt und wann sie zuletzt überprüft wurde.
- Referenz
- ContextNet: Improving Convolutional Neural Networks for Automatic Speech Recognition with Global Context
- Zuletzt aktualisiert
- 25 May 2026
Was die Zahlen bedeuten
Was dieses Modell ist
ContextNet was published by Google, in United States of America, in May 2020. The organisation is categorised as industry.
It works in Speech, and is recorded as doing speech recognition (ASR).
Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.
Was in den Aufbau geflossen ist
The training set ran to roughly 349,200,000 tokens.
Es wird im zugrunde liegenden Datensatz aus einem bestimmten Grund verfolgt: sOTA-Verbesserung.
Antworten
ContextNet — Häufig gestellte Fragen
How many parameters does ContextNet have?
ContextNet has 112.7M parameters. Table 5. That figure is the total, and it is what decides how much memory the model needs — roughly half a gigabyte per billion at the compression most people use.
Who created ContextNet?
ContextNet was published by Google, based in United States of America, categorised as industry.
When was ContextNet released?
ContextNet was published in May 2020. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
What is ContextNet used for?
ContextNet works in Speech, and is recorded as handling speech recognition (ASR). These are the areas it was designed around; they describe intent rather than a hard boundary.
What GPU do I need to run ContextNet?
None. ContextNet is a closed model — its weights were never published, so it cannot be downloaded or run on your own hardware at any price. It is reachable only through its provider.
Is ContextNet open source?
No. ContextNet has not had its weights published, so it exists only as a service controlled by its owner.
Die andere Richtung
Wenn Sie es von der anderen Seite betrachten?
Diese Seite beginnt beim Modell. Wenn Sie bereits eine Karte besitzen und alles erfahren möchten, was es ausführen kann, Beginnen Sie stattdessen mit der Hardware.