LF-MMI
Brak oszacowania
Brak wymagań sprzętowych dla tego modelu
Wagi dla tego modelu nie zostały opublikowane, więc nie można ich pobrać ani uruchomić na własnym sprzęcie w żadnym rozmiarze. Jest dostępny tylko za pośrednictwem swojego dostawcy, a zmiana karty graficznej tego nie zmienia..
Na nagranie
Pełna specyfikacja
Wszystko na rekord dla tego modelu. Większość z tego opisuje, jak był trenowany, a nie jak działa — użyteczny kontekst do oceny, ile pracy włożono w to, i jak wypada w porównaniu z modelami budowanymi w innym skali..
Pochodzenie
Kto zbudował ten model, gdzie i kiedy został opublikowany.
- Organizacja
- Johns Hopkins University,Cornell University
- Typ organizacji
- Academia,Academia
- Kraj
- United States of America
- Opublikowany
- 8 September 2016
- Autorzy
- Daniel Povey, Vijayaditya Peddinti, Daniel Galvez, Pegah Ghahremani, Vimal Manohar, Xingyu Na, Yiming Wang, S. Khudanpur
Co to robi
Obszary problemowe, dla których stworzono model. Model może mieć kilka z każdego.
- Domena
- Speech
- Zadanie
- Speech recognition (ASR)
Rozmiar
Jak duży jest model i na ile danych był trenowany. Parametry to liczba, która decyduje, czy mieści się na danej karcie graficznej.
- parametry
- 16.6M
- Dane treningowe
- 720,000 tokens
Largest model: TDNN-A: 16.6 million parameters (Table 2)
300hr of audio, number of words unclear
Dostępność
Czy możesz zdobyć model i uruchomić go na swoim sprzęcie, co decyduje o tym, czy którakolwiek z cyfr karty graficznej na tej stronie ma zastosowanie.
- Wagi
- Closed — provider access only
- Dostęp do modelu
- Unreleased
Jak jest klasyfikowane
Etykiety, które źródłowy zbiór danych stosuje podczas śledzenia znaczących modeli oraz jak pewny jest tego wpisu.
- Dlaczego to jest śledzone
- Highly cited,SOTA improvement
- Zapisz pewność
- Confident
SOTA on Speech Recognition on WSJ eval92
Źródła
Skąd pochodzi ten rekord i kiedy był ostatnio sprawdzany.
- Referencja
- Purely sequence-trained neural networks for ASR based on lattice-free MMI
- Ostatnio zaktualizowane
- 28 November 2025
Co oznaczają liczby
Co to jest model?
LF-MMI został opublikowany przez Johns Hopkins University,Cornell University, w kraju zapisanym jako United States of America, podczas September 2016. Organizacja publikująca jest klasyfikowana jako academia,Academia.
Działa w dziedzinie Speech, i jest zapisany jako wykonujący zadanie speech recognition (ASR).
Ponieważ wagi nie są dostępne, żadne z danych dotyczących sprzętu gdzie indziej na tej stronie się do niego nie odnoszą.
Co poszło w budowę tego
Zbiór treningowy trwał około 720,000 Tokeny tekstu.
Powód, dla którego w ogóle pojawia się w tym katalogu: highly cited,SOTA improvement.
Odpowiedzi
LF-MMI — częste pytania
LF-MMI— do czego to służy?
Działa w dziedzinie Speech, i jest zarejestrowany jako realizujący zadanie speech recognition (ASR). Model może obsługiwać kilka z każdego, więc to są obszary, dla których został zbudowany, a nie ograniczenie tego, co będzie próbował.
LF-MMI— Jaką GPU potrzebuję, aby ją uruchomić?
Żaden. To jest zamknięty model — jego wagi nigdy nie zostały opublikowane, więc nie można go pobrać ani uruchomić na własnym sprzęcie za żadną cenę. Jest dostępny tylko przez jego dostawcę.
LF-MMI— czy jest open weight?
Nie. Jego wagi nie zostały opublikowane, więc istnieje tylko jako usługa kontrolowana przez jego właściciela.
LF-MMI— ile ma parametrów?
Ma liczbę parametrów równą 16.6M. Largest model: TDNN-A: 16.6 million parameters (Table 2). Ta liczba to całkowita, i to ona decyduje o tym, ile pamięci potrzebuje model — mniej więcej pół gigabajta na miliard przy kompresji, którą używa większość ludzi.
LF-MMI— kto to stworzył?
Zostało opublikowane przez Johns Hopkins University,Cornell University, oparty na United States of America, organizacja sklasyfikowana jako academia,Academia.
LF-MMI— kiedy to zostało wydane?
Zostało opublikowane w September 2016. Możliwość na parametr znacznie się poprawiła, więc nowszy model tej samej wielkości często lepiej wykorzystuje ten sam sprzęt.
Druga strona
Patrząc na to z drugiej strony?
Ta strona zaczyna się od modelu. Jeśli już posiadasz kartę i chcesz wiedzieć, co wszystko będzie działać., Zacznij od sprzętu zamiast.