LF-MMI
Nincs becslés
Ennekhez a modellhez nincs hardverkövetelmény
A modellhez tartozó súlyokat nem tették közzé, így azt semmilyen méretben nem lehet letölteni vagy saját hardveren futtatni. Csak az adattovábbítóján keresztül érhető el, és semmilyen grafikus kártya nem változtat ezen..
Felvételen
Teljes specifikáció
Minden adatok ezen a modellen. A legtöbb leírás arról szól, hogyan volt kiképzve, nem pedig arról, hogyan fut — hasznos háttérinformáció arra vonatkozóan, hogy mennyi munka került bele, és hogyan viszonyul más méretű modellekhez..
Eredet
Ki építette ezt a modellt, hol, és mikor publikálták.
- Szervezet
- Johns Hopkins University,Cornell University
- Szervezet típusa
- Academia,Academia
- Ország
- United States of America
- Kiadva
- 8 September 2016
- Szerzők
- Daniel Povey, Vijayaditya Peddinti, Daniel Galvez, Pegah Ghahremani, Vimal Manohar, Xingyu Na, Yiming Wang, S. Khudanpur
Mit csinál
A modell által épített probléma területek. Egy modell több különbözőt is tartalmazhat.
- Irányítószám
- Speech
- Feladat
- Speech recognition (ASR)
Méret
Mekkora a modell és mennyi adatot használtak a betanításához. A paraméterek azok a számok, amelyek meghatározzák, hogy illeszkedik-e egy adott grafikus kártyára.
- Paraméterek
- 16.6M
- Képzési adatok
- 720,000 tokens
Largest model: TDNN-A: 16.6 million parameters (Table 2)
300hr of audio, number of words unclear
Elérhetőség
Hogy megszerezheted-e a modellt és futtathatod a saját hardvereden, ami eldönti, hogy a ezen az oldalon szereplő grafikus kártyák adatai alkalmazhatóak-e.
- Súlyok
- Closed — provider access only
- Modell hozzáférés
- Unreleased
Hogyan van besorolva
Címkék, amelyeket a forráshalmaz alkalmaz, amikor figyelemmel kíséri a figyelemre méltó modelleket, és mennyire biztos a bejegyzésben.
- Miért követik nyomon
- Highly cited,SOTA improvement
- Rögzítési bizalom
- Confident
SOTA on Speech Recognition on WSJ eval92
Források
Honnan származik ez a rekord és mikor ellenőrizték utoljára.
- Referencia
- Purely sequence-trained neural networks for ASR based on lattice-free MMI
- Utoljára frissítve
- 28 November 2025
Mit jelentek a számok
Mit jelent ez a modell?
LF-MMI was published by Johns Hopkins University,Cornell University, in United States of America, in September 2016. The organisation is categorised as academia,Academia.
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.
Mi került a megépítésébe
The training set ran to roughly 720,000 tokens.
The reason it appears in this catalogue at all is highly cited,SOTA improvement.
Válaszok
LF-MMI — Gyakran ismételt kérdések
What is LF-MMI used for?
LF-MMI works in Speech, and is recorded as handling speech recognition (ASR). A model can carry several of each, so these are the areas it was built for rather than a limit on what it will attempt.
What GPU do I need to run LF-MMI?
None. LF-MMI 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 LF-MMI open source?
No. LF-MMI has not had its weights published, so it exists only as a service controlled by its owner.
How many parameters does LF-MMI have?
LF-MMI has 16.6M parameters. Largest model: TDNN-A: 16.6 million parameters (Table 2). 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 LF-MMI?
LF-MMI was published by Johns Hopkins University,Cornell University, based in United States of America, categorised as academia,Academia.
When was LF-MMI released?
LF-MMI was published in September 2016. Capability per parameter has improved considerably since, so a newer model of the same size is often the better use of the same hardware.
A másik irány
Másik oldalról nézve?
Ez az oldal a modellel kezdődik. Ha már rendelkezik egy kártyával és szeretné tudni, hogy minden mit fog futtatni, kérjük, folytassa., kezdje a hardverrel inkább.