端到端多讲话者视听自动语音识别.pdfVIP

下载本文档

4
0
约2.31万字
约 19页
2023-05-12 发布于四川
举报
版权申诉

端到端多讲话者视听自动语音识别.pdf

1、本文档共19页，其中可免费阅读18页，需付费10金币后方可阅读剩余内容。
2、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。
3、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
4、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
8、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

用于从视听数据(204)转录语音的单一视听自动语音识别(AV‑ASR)模型(200)包括编码器前端(260)和解码器(280)。编码器前端包括注意力机制(270)，该注意力机制被配置成接收视听数据的音频轨迹(210)和视频部分(220)。视频部分包括多个视频面部轨迹(230)，每个视频面部轨迹与相应人的面部相关联。对于每个视频面部轨迹，注意力机制被配置成确定以下置信度分数，该置信度分数指示与视频面部轨迹相关联的相应人的面部包括音频轨迹的讲话面部的可能性。解码器被配置成处理音频轨迹和多个视频面部轨

(19)国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 114616620 A (43)申请公布日 2022.06.10 (21)申请号 202080071967.2 (74)专利代理机构中原信达知识产权代理有限