DeepSpeech2 (English)
Sin estimación
Sin requisitos de hardware para este modelo
Los pesos para este modelo no han sido publicados, por lo que no se puede descargar ni ejecutar en tu propio hardware de ningún tamaño. Solo se puede acceder a través de su proveedor, y ningún cambio de tarjeta gráfica eso..
En registro
especificación completa
Todo en archivo para este modelo. La mayor parte describe cómo fue entrenado en lugar de cómo se ejecuta — contexto útil para juzgar cuánto trabajo se invirtió en él y cómo se compara con modelos construidos a una escala diferente..
Origen
Quién construyó este modelo, dónde, y cuándo fue publicado.
- Organización
- Baidu Research - Silicon Valley AI Lab
- Tipo de Organización
- Industry
- País
- United States of America
- Publicado
- 8 December 2015
- Autores
- Dario Amodei, Rishita Anubhai, Eric Battenberg, Carl Case, Jared Casper, Bryan Catanzaro, Jingdong Chen, Mike Chrzanowski, Adam Coates, Greg Diamos, Erich Elsen, Jesse Engel, Linxi Fan, Christopher Fougner, Tony Han, Awni Hannun, Billy Jun, Patrick LeGresley, Libby Lin, Sharan Narang, Andrew Ng, Sherjil Ozair, Ryan Prenger, Jonathan Raiman, Sanjeev Satheesh, David Seetapun, Shubho Sengupta, Yi Wan…
Lo que hace
Las áreas problemáticas para las que se construyó el modelo. Un modelo puede llevar varios de cada uno.
- Dominio
- Speech
- Tarea
- Speech recognition (ASR)
- Formato numérico
- FP32
Tamaño
Qué tan grande es el modelo y cuántos datos se usaron para su entrenamiento. Los parámetros son la cifra que decide si se ajusta en una tarjeta gráfica dada.
- parámetros
- 38M
- Datos de entrenamiento
- 716,400,000 tokens
All networks have 38 million parameters.
"Our English speech system is trained on 11,940 hours of speech, while the Mandarin system is trained on 9,400 hours." 11,940 * 13,680 = 163339200
Cómputo de entrenamiento
La aritmética realizada para entrenar el modelo, medida en operaciones de punto flotante. Es una medida de lo que costó la ejecución del entrenamiento, no de qué tan rápido te responde el modelo terminado.
- Cómputo de entrenamiento
- 2.6 × 10¹⁹ FLOP
- Cómo se estableció
- Operation counting,Third-party estimation
1 timestep = (1280 hidden units)^2 * (7 RNN layers * 4 matrices for bidirectional + 2 DNN layers) * (2 for doubling parameters from 36M to 72M) = 98 MFLOP 20 epochs * 12,000 hours * 3600 seconds/hour * 50 samples/sec * 98 MFLOP * 3 add-multiply * 2 backprop = 26,000 PF = 0.30 pfs-days See also AI and Compute by Dario Amodei and OpenAI https://openai.com/research/ai-and-compute
La ejecución de entrenamiento
Lo que costó físicamente entrenar: qué chips, cuántos, por cuánto tiempo y qué eso consumió de la pared.
- Hardware de entrenamiento
- NVIDIA GeForce GTX TITAN X
- Chips utilizados
- 16
- Horas de chip
- 1,920
- Tiempo de reloj
- 120 hours
- Utilización de hardware
- HFU 46.7%
- Consumo de energía
- 8.5 kW
- Costo de cómputo
- $214
"5 days" from AI and Compute https://openai.com/index/ai-and-compute/
"Overall the system sustains approximately 50 teraFLOP/second when training on 16 GPUs. This amounts to 3 teraFLOP/second per GPU which is about 50% of peak theoretical performance" HFU = (50/16) TFLOP / 6.69 TFLOP = 0.4670
Cómo está clasificado
Etiquetas que el conjunto de datos fuente aplica al rastrear modelos notables y cuán confiable es en la entrada.
- Modelo Frontier
- Yes
- Confianza de registro
- Confident
- Citas
- 3,150
Fuentes
De dónde proviene este registro y cuándo fue comprobado por última vez.
- Referencia
- Deep Speech 2: End-to-End Speech Recognition in English and Mandarin
- Última actualización
- 25 May 2026
Qué significan los números
Acerca de este modelo
DeepSpeech2 (English) fue publicado por Baidu Research - Silicon Valley AI Lab, en el país registrado como United States of America, durante December 2015. La categoría en la que se encuentra el editor es industry.
Funciona en el dominio de Speech, y se registra como realizando la tarea de speech recognition (ASR).
Este es un modelo cerrado: los valores entrenados quedaron con quien los produjo, y no hay una versión local para ejecutar.
Qué se necesitó para construirlo
Entrenarlo tomó un presupuesto de computación de aproximadamente 2.6 × 10¹⁹ FLOP, en hardware registrado como NVIDIA GeForce GTX TITAN X. Esa cifra mide lo que costó producir el modelo, y no tiene relación con qué tan rápido responde.
El entrenamiento consumió un corpus de alrededor de 716,400,000 tokens de texto
Respuestas
DeepSpeech2 (English) — preguntas comunes
DeepSpeech2 (English)— ¿Quién lo creó?
Fue publicado por Baidu Research - Silicon Valley AI Lab, basado en United States of America, una organización categorizada como industry.
DeepSpeech2 (English)— ¿cuándo fue lanzado?
Se publicó en December 2015. La capacidad por parámetro ha mejorado considerablemente desde entonces, por lo que un modelo más reciente del mismo tamaño suele ser el mejor uso del mismo hardware.
DeepSpeech2 (English)— ¿Para qué se utiliza?
Funciona en el dominio de Speech, y se registra como manejando la tarea de speech recognition (ASR). Un modelo puede manejar varios de cada uno, así que estas son las áreas para las que fue construido en lugar de un límite en lo que intentará.
DeepSpeech2 (English)— cuánto compute se utilizó para entrenarlo?
El entrenamiento consumió alrededor 2.6 × 10¹⁹ FLOP, en hardware registrado como NVIDIA GeForce GTX TITAN X. Eso mide cuánto costó producir el modelo y no dice nada sobre cuán rápido responde una vez entrenado — la velocidad de inferencia proviene del ancho de banda de memoria, no del presupuesto de entrenamiento.
DeepSpeech2 (English)— ¿Qué GPU necesito para ejecutarlo?
Ninguno. Este es un modelo cerrado: sus PESOS nunca fueron publicados, por lo que no se puede descargar o ejecutar en su propio hardware a ningún precio. Solo se puede acceder a él a través de su proveedor.
DeepSpeech2 (English)— ¿Es de código abierto?
La licencia nunca fue registrada en nuestros datos fuente. Tratamos las licencias no declaradas como cerradas, porque una licencia no registrada no es una en la que confiar.
DeepSpeech2 (English)— ¿cuántos parámetros tiene?
Tiene un recuento de parámetros de 38M. All networks have 38 million parameters. Esa cifra es el total, y es lo que decide cuánta MEMORIA necesita el modelo — aproximadamente medio gigabyte por mil millones en la compresión que la mayoría de las personas usa.
La otra dirección
¿Mirándolo desde el otro lado?
Esta página comienza desde el modelo. Si ya posees una tarjeta y quieres saber todo lo que podrá ejecutar., Comience desde el hardware en su lugar.