LF-MMI
Nessuna stima
Nessun requisito hardware per questo modello
I pesi per questo modello non sono stati pubblicati, quindi non può essere scaricato o eseguito sul proprio hardware di qualsiasi dimensione. È accessibile solo attraverso il suo fornitore e nessun cambiamento della scheda grafica che.
In registrazione
specifiche complete
Tutto in archivio per questo modello. La maggior parte descrive come è stato addestrato piuttosto che come gira — contesto utile per giudicare quanto lavoro c'è stato dietro, e come si confronta con i modelli costruiti su una scala diversa..
Origine
Chi ha costruito questo modello, dove e quando è stato pubblicato.
- Organizzazione
- Johns Hopkins University,Cornell University
- Tipo di organizzazione
- Academia,Academia
- Paese
- United States of America
- Pubblicato
- 8 September 2016
- Autori
- Daniel Povey, Vijayaditya Peddinti, Daniel Galvez, Pegah Ghahremani, Vimal Manohar, Xingyu Na, Yiming Wang, S. Khudanpur
Cosa fa
Le aree problematiche per cui è stato progettato il modello. Un modello può contenere diversi di ciascuno.
- Dominio
- Speech
- Compito
- Speech recognition (ASR)
Dimensione
Quanto è grande il modello e su quanti dati è stato addestrato. I parametri sono la cifra che decide se si adatta a una determinata scheda grafica.
- parametri
- 16.6M
- Dati di addestramento
- 720,000 tokens
Largest model: TDNN-A: 16.6 million parameters (Table 2)
300hr of audio, number of words unclear
Disponibilità
Se puoi ottenere il modello e farlo funzionare sul tuo hardware, il che decide se alcune delle cifre della scheda grafica su questa pagina sono applicabili.
- Pesi
- Closed — provider access only
- Accesso al modello
- Unreleased
Come è classificato
Etichette del dataset sorgente si applicano quando si tracciano modelli notevoli, e quanto è sicuro nell'entry.
- Perché è monitorato
- Highly cited,SOTA improvement
- Record fiducia
- Confident
SOTA on Speech Recognition on WSJ eval92
Fonti
Da dove proviene questo record e quando è stato controllato l'ultima volta.
- Riferimento
- Purely sequence-trained neural networks for ASR based on lattice-free MMI
- Ultimo aggiornamento
- 28 November 2025
Cosa significano i numeri
Cosa è questo modello
LF-MMI è stato pubblicato da Johns Hopkins University,Cornell University, nel paese registrato come United States of America, durante September 2016. L'organizzazione di pubblicazione è classificata come academia,Academia.
Funziona nel dominio di Speech, ed è registrato come eseguire il compito di speech recognition (ASR).
Poiché i pesi non sono disponibili, nessuna delle specifiche hardware presenti in questo sito si applica ad esso.
Cosa è stato necessario per costruirlo
Il set di addestramento si aggirava attorno a 720,000 token di testo
Il motivo per cui appare in questo catalogo è: highly cited,SOTA improvement.
Risposte
LF-MMI — domande comuni
LF-MMI— A cosa serve?
Funziona nel dominio di Speech, e viene registrato come gestire il compito di speech recognition (ASR). Un modello può gestire diversi di ciascuno, quindi queste sono le aree per cui è stato costruito piuttosto che un limite su ciò che tenterà.
LF-MMI— che GPU ho bisogno per eseguirlo?
Nessuno. Questo è un modello chiuso - i suoi pesi non sono mai stati pubblicati, quindi non può essere scaricato o eseguito sul tuo hardware a qualsiasi prezzo. È accessibile solo attraverso il suo fornitore.
LF-MMI— è open-source?
No. I pesi non sono stati pubblicati, quindi esiste solo come servizio controllato dal suo proprietario.
LF-MMI— quanti parametri ha?
Ha un numero di parametri di 16.6M. Largest model: TDNN-A: 16.6 million parameters (Table 2). Quella cifra è il totale, ed è ciò che decide quanto memoria il modello ha bisogno — circa mezzo gigabyte per miliardo alla compressione che la maggior parte delle persone usa.
LF-MMI— chi l'ha creato?
È stato pubblicato da Johns Hopkins University,Cornell University, basato su United States of America, un'organizzazione categorizzata come academia,Academia.
LF-MMI— quando è stato rilasciato?
È stato pubblicato in September 2016. La capacità per parametro è migliorata considerevolmente da allora, quindi un modello più recente della stessa dimensione è spesso un uso migliore dello stesso hardware.
L'altra direzione
Guardandolo dall'altro lato?
Questa pagina parte dal modello. Se possiedi già una scheda e vuoi sapere tutto ciò che farà funzionare, inizia dall'hardware invece.