RNN for speech
Aucune estimation
Aucun besoin matériel pour ce modèle
Les poids de ce modèle n'ont pas été publiés, il ne peut donc pas être téléchargé ou exécuté sur votre propre matériel, quelle que soit la taille. Il n'est accessible que via son fournisseur, et aucune carte graphique ne change cela.
Enregistrement terminé
Spécification complète
Tout ce qui concerne ce modèle. La plupart décrit comment il a été entraîné plutôt que comment il fonctionne — contexte utile pour évaluer le travail fourni et sa comparaison avec des modèles construits à une échelle différente.
Origine
Qui a construit ce modèle, où et quand il a été publié.
- Organisation
- National Chiao Tung University
- Type d'organisation
- Academia
- Pays
- Taiwan
- Publié
- 15 May 1998
- Auteurs
- SH Chen, SH Hwang, YR Wang
Ce qu'il fait
Les domaines problématiques pour lesquels le modèle a été conçu. Un modèle peut en porter plusieurs de chacun.
- Domaine
- Speech
- Tâche
- Speech synthesis
Taille
Quelle est la taille du modèle et combien de données il a été formé. Les paramètres sont le chiffre qui détermine s'il tient sur une carte graphique donnée.
- Paramètres
- 7.5K
- Données d'entraînement
- tokens
"The RNN generated a total of eigt output prosodic parameters. [...] The numbers of nodes in the first and second hidden layers were determined empirically and set to be 35 and 30, respectively" Figure 1 contains an overview of the architecture. Layer 1: (102 + 35 + 1)*35 parameters Layer 2: (43 + 35 + 1)*30 parameters Output layer: (30+8+1)*8 parameters
The data base was divided into two parts: a training set and an open test set. These two sets consisted of 28 191 and 7051 syllables, respectively. Of the top 10,000 Chinese words, 15% have 1 syllable, 78% have 2 syllables, and 7% have more than two syllables. Assuming 2 syllables per word, the training set is around 14100 words.
Calcul de formation
L'arithmétique effectuée pour entraîner le modèle, mesurée en opérations à virgule flottante. C'est une mesure du coût de l'exécution de l'entraînement, et non de la rapidité avec laquelle le modèle fini vous répond.
- Calcul de formation
- 2.3 × 10¹¹ FLOP
- Comment cela a été établi
- Third-party estimation
Extracted from AI and Compute (https://openai.com/blog/ai-and-compute/) charts by using https://automeris.io/WebPlotDigitizer/.
Comment il est classé
Étiquettes que le jeu de données source applique lors du suivi des modèles notables, et à quel point il est confiant dans l'entrée.
- Citations
- 231
Sources
D'où provient cet enregistrement et quand a-t-il été vérifié pour la dernière fois.
- Référence
- An RNN-based prosodic information synthesizer for Mandarin text-to-speech
- Dernière mise à jour
- 28 November 2025
Ce que signifient les chiffres
Background
RNN for speech was published by National Chiao Tung University, in Taiwan, in May 1998. academia is the category the publisher falls under.
It works in Speech, and is recorded as doing speech synthesis.
Because the weights are not available, none of the hardware figures elsewhere on this site apply to it.
Ce qui a contribué à sa construction
Training it took roughly 2.3 × 10¹¹ FLOP of computation — a measure of what producing the model cost, not of how fast it answers.
Réponses
RNN for speech — Questions fréquentes
How much compute was used to train RNN for speech?
Around 2.3 × 10¹¹ FLOP. That measures what producing the model cost and says nothing about how quickly it answers once trained — inference speed comes from memory bandwidth, not from the training budget.
What GPU do I need to run RNN for speech?
None. RNN for speech 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 RNN for speech open source?
The licensing for RNN for speech was never recorded in our source data. We treat unstated licensing as closed, because an unrecorded licence is not one to rely on.
How many parameters does RNN for speech have?
RNN for speech has 7.5K parameters. "The RNN generated a total of eigt output prosodic parameters. [...] The numbers of nodes in the first and second hidden layers were determined empirically and set to be 35 and 30, respectively" Figure 1 contains an overview of the architecture. Layer 1: (102 + 35 + 1)*35 parameters Layer 2: (43 + 35 + 1)*30 parameters Output layer: (30+8+1)*8 parameters. 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 RNN for speech?
RNN for speech was published by National Chiao Tung University, based in Taiwan, categorised as academia.
When was RNN for speech released?
RNN for speech was published in May 1998. 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 RNN for speech used for?
RNN for speech works in Speech, and is recorded as handling speech synthesis. These are the areas it was designed around; they describe intent rather than a hard boundary.
Dans l'autre sens
Regardez-la de l'autre côté ?
Cette page commence par le modèle. Si vous possédez déjà une carte et souhaitez connaître tout ce qu'elle pourra exécuter, commencez plutôt par le matériel.