Охота на электроовец целиком - История изменений

Andrey Fedichkin в 20:56, 8 мая 2025

2025-05-08T20:56:49Z

← Предыдущая версия		Версия от 20:56, 8 мая 2025
Строка 11 957:		Строка 11 957:

	<references />		<references />
			<comments />

Andrey Fedichkin в 16:38, 5 мая 2025

2025-05-05T16:38:23Z

← Предыдущая версия		Версия от 16:38, 5 мая 2025
Строка 596:		Строка 596:
	Дмитрий Кедрин. ''Приданое''		Дмитрий Кедрин. ''Приданое''
	</blockquote>		</blockquote>
	Весной 2016 г. в Москве, в научно-популярной библиотеке «Научка»<ref><sup>*</sup> Официально: Первая научно-популярная библиотека «Научка» (ГБУК г.Москвы ОКЦ ЦАО ЦДБ 14 ~~"Научка"~~). — ''Здесь и далее примечания автора.''</ref>, я прочитал свою первую научно-популярную лекцию под названием «Искусственный интеллект: история и перспективы». Аннотация этой лекции звучала следующим образом: <s>«''Инженер М. С. Лось приглашает желающих лететь с ним 18 августа на планету Марс явиться для личных переговоров от 6 до 8 вечера. Ждановская набережная, дом 11, во дворе''»</s> «''Что объединяет древний Антикитерский механизм и суперкомпьютер Deep Blue? Действительно ли машины выигрывают у людей в шахматы благодаря феноменальным вычислительным способностям? Какие напитки употребляли изобретатели первой искусственной нейронной сети и какую роль сыграла поэзия в истории кибернетики? Скоро ли с конвейера сойдут первые машины, которым будет позволено убивать людей, и как мы будем жить в таком мире? Об этом и многом другом — на 48 слайдах за 128 минут. Из популярной лекции вы узнаете об истории и современном состоянии дел в области искусственного интеллекта''».		Весной 2016 г. в Москве, в научно-популярной библиотеке «Научка»<ref><sup>*</sup> Официально: Первая научно-популярная библиотека «Научка» (ГБУК г. Москвы ОКЦ ЦАО ЦДБ 14 «Научка»). — ''Здесь и далее примечания автора.''</ref>, я прочитал свою первую научно-популярную лекцию под названием «Искусственный интеллект: история и перспективы». Аннотация этой лекции звучала следующим образом: <s>«''Инженер М. С. Лось приглашает желающих лететь с ним 18 августа на планету Марс явиться для личных переговоров от 6 до 8 вечера. Ждановская набережная, дом 11, во дворе''»</s> «''Что объединяет древний Антикитерский механизм и суперкомпьютер Deep Blue? Действительно ли машины выигрывают у людей в шахматы благодаря феноменальным вычислительным способностям? Какие напитки употребляли изобретатели первой искусственной нейронной сети и какую роль сыграла поэзия в истории кибернетики? Скоро ли с конвейера сойдут первые машины, которым будет позволено убивать людей, и как мы будем жить в таком мире? Об этом и многом другом — на 48 слайдах за 128 минут. Из популярной лекции вы узнаете об истории и современном состоянии дел в области искусственного интеллекта''».

	Причина, по которой специалист, занимающийся главным образом решением прикладных задач в области машинного обучения, решил забраться на табуретку и начать вещать ''urbi et orbi'' прописные истины, до банальности проста — у меня капитально подгорело из-за того, что в одной из научно-популярных лекций о прогрессе в области искусственного интеллекта я услышал чудовищную чепуху о достижениях нейронных сетей в шахматах. Дело в том, что разработка систем искусственного интеллекта для игр много лет была одним из моих главных хобби, а в течение некоторого времени и работой. И хотя во второй половине 2000-х я постепенно перешёл от программирования игр к созданию систем для финансового сектора, шахматное программирование оставалось частью моих исследовательских интересов. В начале 2010-х гг. быстрый прогресс в области глубоких нейронных сетей стал причиной роста интереса общества к машинному обучению, и тут ВНЕЗАПНО специалистам открылась в самом что ни на есть выпуклом виде страшная истина: массовое сознание полно совершенно дремучих мифов и стереотипов об искусственном интеллекте. Путаница в понятиях, поверхностные однобокие и категоричные суждения, банальное незнание текущего положения дел в науке и технологиях, страхи и предубеждения, пустопорожняя трескотня недалёких маркетологов и «гениальных стартаперов», обещающих золотые горы, — всё это со скоростью взрыва заполняло пробелы в представлениях людей. И самым грустным для меня было то, что это происходит в минуты, когда технический прогресс формирует наше будущее, меняет привычные правила игры, определяет грядущий взлёт и упадок гигантских компаний и целых отраслей. Разруха в головах — явление чрезвычайно опасное, когда многим из этих голов предстоит завтра принимать решения, определяющие важнейшие направления научно-исследовательских и опытно-конструкторских работ, решения о финансировании тех или иных проектов, о приоритетах образования и социальной политики. Наивно было бы полагать, что отдельные научно-популярные лекции или книги могут радикально изменить ситуацию, но в то же время ещё глупее было бы запереться в «башне из слоновой кости» и надеяться, что проблема решится сама собой.		Причина, по которой специалист, занимающийся главным образом решением прикладных задач в области машинного обучения, решил забраться на табуретку и начать вещать ''urbi et orbi'' прописные истины, до банальности проста — у меня капитально подгорело из-за того, что в одной из научно-популярных лекций о прогрессе в области искусственного интеллекта я услышал чудовищную чепуху о достижениях нейронных сетей в шахматах. Дело в том, что разработка систем искусственного интеллекта для игр много лет была одним из моих главных хобби, а в течение некоторого времени и работой. И хотя во второй половине 2000-х я постепенно перешёл от программирования игр к созданию систем для финансового сектора, шахматное программирование оставалось частью моих исследовательских интересов. В начале 2010-х гг. быстрый прогресс в области глубоких нейронных сетей стал причиной роста интереса общества к машинному обучению, и тут ВНЕЗАПНО специалистам открылась в самом что ни на есть выпуклом виде страшная истина: массовое сознание полно совершенно дремучих мифов и стереотипов об искусственном интеллекте. Путаница в понятиях, поверхностные однобокие и категоричные суждения, банальное незнание текущего положения дел в науке и технологиях, страхи и предубеждения, пустопорожняя трескотня недалёких маркетологов и «гениальных стартаперов», обещающих золотые горы, — всё это со скоростью взрыва заполняло пробелы в представлениях людей. И самым грустным для меня было то, что это происходит в минуты, когда технический прогресс формирует наше будущее, меняет привычные правила игры, определяет грядущий взлёт и упадок гигантских компаний и целых отраслей. Разруха в головах — явление чрезвычайно опасное, когда многим из этих голов предстоит завтра принимать решения, определяющие важнейшие направления научно-исследовательских и опытно-конструкторских работ, решения о финансировании тех или иных проектов, о приоритетах образования и социальной политики. Наивно было бы полагать, что отдельные научно-популярные лекции или книги могут радикально изменить ситуацию, но в то же время ещё глупее было бы запереться в «башне из слоновой кости» и надеяться, что проблема решится сама собой.

Andrey Fedichkin в 15:22, 5 мая 2025

2025-05-05T15:22:53Z

← Предыдущая версия		Версия от 15:22, 5 мая 2025
Строка 1:		Строка 1:
	[[File:A_wild_electrosheep_chase_переплеты_1.jpg\|556x688px\|Обложка первого тома]]		[[File:A_wild_electrosheep_chase_переплеты_1.jpg\|556x688px\|Обложка первого тома]]

	[[File:A_wild_electrosheep_chase_переплеты_2.jpg\|556x688px\|Обложка ~~второгого~~ тома]]		[[File:A_wild_electrosheep_chase_переплеты_2.jpg\|556x688px\|Обложка второго тома]]

	'''Сергей Марков'''		'''Сергей Марков'''

Andrey Fedichkin в 21:37, 16 апреля 2025

2025-04-16T21:37:28Z

← Предыдущая версия		Версия от 21:37, 16 апреля 2025
Строка 9060:		Строка 9060:

	'''8. RUSLANA database''' (RUSsian LANguage Affective speech database, Русскоязычная база данных эмоциональной речи)<ref>Makarova V., Petrushin V. A. (2002). RUSLANA: A database of Russian emotional utterances / 7th International Conference on Spoken Language Processing, ICSLP2002 — INTERSPEECH 2002, Denver, Colorado, USA, September 16—20, 2002 // https://www.isca-speech.org/archive/archive_papers/icslp_2002/i02_2041.pdf</ref>.		'''8. RUSLANA database''' (RUSsian LANguage Affective speech database, Русскоязычная база данных эмоциональной речи)<ref>Makarova V., Petrushin V. A. (2002). RUSLANA: A database of Russian emotional utterances / 7th International Conference on Spoken Language Processing, ICSLP2002 — INTERSPEECH 2002, Denver, Colorado, USA, September 16—20, 2002 // https://www.isca-speech.org/archive/archive_papers/icslp_2002/i02_2041.pdf</ref>.

			Первая открытая русскоязычная база данных эмоциональной речи была создана в 2002 г. Её создатели — Вероника Макарова и Валерий Петрушин, а заказчики — японский Университет Мейкай (明海大学, Meikai daigaku, Meikai University), Национальный институт передовой промышленной науки и технологии (産業技術総合研究所, Sangyō Gijutsu Sōgō Kenkyū-sho, National Institute of Advanced Industrial Science and Technology) и исследовательская лаборатория Accenture Technology Labs консалтинговой компании Accenture.

			База данных содержит записи 61 человека (12 мужчин и 49 женщин), которые произносят десять предложений с выражением следующих эмоциональных состояний: удивление, счастье, гнев, грусть, страх и нейтрально (без эмоциональной окраски). Таким образом, база содержит в сумме 61 × 10 × 6 = 3660 записей.

			С момента появления RUSLANA свет увидели ещё несколько открытых русскоязычных эмоциональных датасетов, например аудиовизуальный '''RAMAS''' (впрочем, сейчас получить доступ к этому датасету вряд ли получится, поскольку компания, занимавшаяся его сбором, прекратила существование) и весьма внушительный по объёму (более 20 000 записей) набор эмоциональной детской речи '''EmoChildRu'''<ref>Lyakso E., Frolova O., Dmitrieva E., Grigorev A., Kaya H., Salah A. A., Karpov A. (2015). EmoChildRu: Emotional Child Russian Speech Corpus / Ronzhin A., Potapova R., Fakotakis N. (2015). Speech and Computer. SPECOM 2015. Lecture Notes in Computer Science, Vol. 9319. Springer, Cham // https://doi.org/10.1007/978-3-319-23132-7_18</ref>, но долгое время не существовало открытых датасетов взрослой эмоциональной русской речи, превосходящих RUSLANA по объёму.

			'''9.''' Ситуация изменилась лишь в феврале 2022 г., когда команда SberDevices опубликовала датасет под названием '''Dusha''', содержащий около 320 тысяч аудиозаписей общей продолжительностью примерно 350 часов.

			Датасет разделён на две большие части. Первая (Podcast) состоит из фрагментов русскоязычных подкастов, вторая (Crowd) — из различных разговорных реплик, озвученных с помощью краудсорсинга. Пользователей краудсорсинговой платформы просили озвучивать реплики с заданной эмоциональной окраской (использовался эмоциональный алфавит, включающий следующие эмоции: 1) позитив, 2) нейтральная окраска, 3) грусть, 4) злость/раздражение). Далее все реплики были пропущены через независимых оценщиков (каждую реплику оценивало несколько человек), каждый из которых указывал распознанную им эмоциональную окраску прослушанного фрагмента, используя вышеуказанный алфавит. После этого те записи из части Crowd, в которых распознанная на слух эмоциональная окраска отличалась от той, которую стремились придать участники озвучки, не были включены в итоговый датасет<ref>Kondratenko V., Sokolov A., Karpov N., Kutuzov O., Savushkin N., Minkin F. (2022). Large Raw Emotional Dataset with Aggregation Mechanism // https://arxiv.org/abs/2212.12266</ref><sup>,</sup> <ref>djunka (2022). Dusha: самый большой открытый датасет для распознавания эмоций в устной речи на русском языке. / Хабр, 8 фев. 2022 // https://habr.com/ru/companies/sberdevices/articles/715468/</ref>.

			Конечно, проприетарные (частные) датасеты эмоциональной речи, собранные крупными российскими компаниями, по объёмам многократно превосходят открытые аналоги. Использование больших проприетарных датасетов позволяет создавать модели распознавания эмоций, существенно превосходящие по точности модели, описанные в научных публикациях. Однако у начинающих разработчиков и университетских исследователей нет никакой альтернативы использованию открытых датасетов, поэтому наличие последних весьма важно для обучения новых специалистов и развития науки.

			Ограниченность объёма книги не позволяет нам подробно разобрать некоторые другие интересные эмоциональные наборы данных и модели, построенные на их базе, поэтому я ограничусь здесь лишь коротким упоминанием некоторых из них. В 2020 г. китайские исследователи представили общественности мультимодальный датасет MEmoR<ref>Shen G., Wang X., Duan X., Li H., Zhu W. (2020). MEmoR: A Dataset for Multimodal Emotion Reasoning in Videos / MM'20: Proceedings of the 28th ACM International Conference on Multimedia, October 2020, pp. 493—502 // https://doi.org/10.1145/3394171.3413909</ref>, основанный полностью на эмоциональной разметке сериала «Теория Большого взрыва» (Big Bang Theory). Создатели датасета уделили внимание разметке эмоций сразу нескольких персонажей, появляющихся в кадре, что позволяет моделям, обученным на этих данных, строить догадки о динамике эмоций общающихся людей. Мультимодальные датасеты MELD<ref>Poria S., Hazarika D., Majumder N., Naik G., Cambria E., Mihalcea R. (2018). MELD: A Multimodal Multi-Party Dataset for Emotion Recognition in Conversations // https://arxiv.org/abs/1810.02508</ref> и EmoryNLP<ref>Zahiri S. M., Choi J. D. (2017). Emotion Detection on TV Show Transcripts with Sequence-based Convolutional Neural Networks // https://arxiv.org/abs/1708.04299</ref> (оба включают около 13 тысяч фраз) основаны на другом популярном сериале — «Друзья» [Friends], другой мультимодальный датасет MEISD<ref>Firdaus M., Chauhan H., Ekbal A., Bhattacharyya P. (2020). MEISD: A Multimodal Multi-Label Emotion, Intensity and Sentiment Dialogue Dataset for Emotion Recognition and Sentiment Analysis in Conversations // https://aclanthology.org/2020.coling-main.393.pdf</ref> содержит по 1000 диалогов сразу из восьми популярных телесериалов, а CMU-MOSEI<ref>Zadeh A. B., Liang P. P., Poria S., Cambria E., Morency L.-P. (2018). Multimodal Language Analysis in the Wild: CMU-MOSEI Dataset and Interpretable Dynamic Fusion Graph // https://aclanthology.org/P18-1208/</ref> и MOSI<ref>Zadeh A., Zellers R., Pincus E., Morency L.-P. (2016). MOSI: Multimodal Corpus of Sentiment Intensity and Subjectivity Analysis in Online Opinion Videos // https://arxiv.org/abs/1606.06259</ref> содержат по несколько тысяч видео с YouTube, снабжённых эмоциональной разметкой.

			Некоторые эмоциональные датасеты включают в себя только текстовую модальность, но могут при этом иметь весьма внушительные размеры и сложную разметку. Например, датасет GoEmotions<ref>Demszky D., Movshovitz-Attias D., Ko J., Cowen A., Nemade G., Ravi S. (2020). GoEmotions: A Dataset of Fine-Grained Emotions // https://arxiv.org/abs/2005.00547</ref> содержит около 58 000 текстовых комментариев с платформы Reddit, размеченных при помощи алфавита, включающего в себя 27 эмоций. Датасеты, подобные DREAMER<ref>Katsigiannis S., Ramzan N. (2018). DREAMER: A Database for Emotion Recognition Through EEG and ECG Signals from Wireless Low-cost Off-the-Shelf Devices // IEEE Journal of Biomedical and Health Informatics, Vol. 22, No. 1, pp. 98—107, January 2018 // https://doi.org/10.1109/JBHI.2017.2688239</ref>, ASCERTAIN<ref>Subramanian R., Wache J., Abadi M. K., Vieriu R. L., Winkler S., Sebe N. (2018). ASCERTAIN: Emotion and Personality Recognition Using Commercial Sensors / IEEE Transactions on Affective Computing, Vol. 9, No. 2, pp. 147—160, 1 April—June 2018 // https://doi.org/10.1109/TAFFC.2016.2625250</ref> и K-EmoCon<ref>Park C. Y., Cha N., Kang S., Kim A., Khandoker A. H., Hadjileontiadis L., Oh A., Jeong Y., Lee U. (2020). K-EmoCon, a multimodal sensor dataset for continuous emotion recognition in naturalistic conversations / Scientific Data, Vol. 7, Iss. 293 // https://doi.org/10.1038/s41597-020-00630-y</ref>, содержат в себе данные, относящиеся к редким модальностям (например, включают в себя электроэнцефалограммы и электрокардиограммы). Датасет AffectNet содержит более миллиона изображений лиц (с опорными точками), размеченных при помощи 1250 эмоционально окрашенных тегов на шести разных языках: английском, немецком, испанском, португальском, арабском и фарси.


	<span id="современные-достижения-в-анализе-эмоций"></span>		<span id="современные-достижения-в-анализе-эмоций"></span>

Andrey Fedichkin в 21:24, 16 апреля 2025

2025-04-16T21:24:42Z

← Предыдущая версия		Версия от 21:24, 16 апреля 2025
Строка 8613:		Строка 8613:
	(путунхуа)		(путунхуа)
	\|-		\|-
	~~!width="44%"~~\|		\| Параметрический на базе LSTM-RNN
	~~<blockquote>~~Параметрический на базе LSTM-RNN		\| 3,67 ± 0,098
	~~</blockquote>~~		\| 3,79 ± 0,084
	~~!width="28%"~~\| 3,67 ± 0,098
	~~!width="27%"~~\| 3,79 ± 0,084
	\|-		\|-
	\|		\|
	~~<blockquote>~~Конкатенативный на базе скрытой марковской модели		Конкатенативный на базе скрытой марковской модели
	~~</blockquote>~~
	\| 3,86 ± 0,137		\| 3,86 ± 0,137
	\| 3,47 ± 0,108		\| 3,47 ± 0,108
	\|-		\|-
	\|		\|
	~~<blockquote>~~WaveNet		WaveNet
	~~</blockquote>~~
	\| 4,21 ± 0,081		\| 4,21 ± 0,081
	\| 4,08 ± 0,085		\| 4,08 ± 0,085
	\|-		\|-
	\|		\|
	~~<blockquote>~~Естественная речь (8 бит, μ-закон)		Естественная речь (8 бит, μ-закон)
	~~</blockquote>~~
	\| 4,46 ± 0,067		\| 4,46 ± 0,067
	\| 4,25 ± 0,082		\| 4,25 ± 0,082
	\|-		\|-
	\|		\|
	~~<blockquote>~~Естественная речь (16 бит, линейный, импульсно-кодовая модуляция)		Естественная речь (16 бит, линейный, импульсно-кодовая модуляция)
	~~</blockquote>~~
	\| 4,55 ± 0,075		\| 4,55 ± 0,075
	\| 4,21 ± 0,071		\| 4,21 ± 0,071

Andrey Fedichkin в 21:19, 16 апреля 2025

2025-04-16T21:19:52Z

← Предыдущая версия		Версия от 21:19, 16 апреля 2025
Строка 11 296:		Строка 11 296:
	<li><p>Образование:</p>		<li><p>Образование:</p>
	<ul>		<ul>
	<li~~><blockquote~~><p>Увеличение числа педагогов с целью индивидуализации образования и повышения его качества.</p~~></blockquote~~></li>		<li><p>Увеличение числа педагогов с целью индивидуализации образования и повышения его качества.</p></li>
	<li~~><blockquote~~><p>Образование для взрослых и пожилых (в том числе переподготовка и повышение квалификации).</p~~></blockquote~~></li>		<li><p>Образование для взрослых и пожилых (в том числе переподготовка и повышение квалификации).</p></li>
	<li><p>Бесплатное и льготное образование для широких слоёв населения.</p></li></ul>		<li><p>Бесплатное и льготное образование для широких слоёв населения.</p></li></ul>
	</li>		</li>
Строка 11 313:		Строка 11 313:
	<li><p>Инфраструктура:</p>		<li><p>Инфраструктура:</p>
	<ul>		<ul>
	<li~~><blockquote~~><p>Мегапроекты: колонизация моря, освоение новых территорий, космические и энергетические проекты и так далее.</p~~></blockquote~~></li>		<li><p>Мегапроекты: колонизация моря, освоение новых территорий, космические и энергетические проекты и так далее.</p></li>
	<li><p>Энергетика.</p></li>		<li><p>Энергетика.</p></li>
	<li><p>Транспортная инфраструктура.</p></li></ul>		<li><p>Транспортная инфраструктура.</p></li></ul>

Andrey Fedichkin в 21:17, 16 апреля 2025

2025-04-16T21:17:06Z

← Предыдущая версия		Версия от 21:17, 16 апреля 2025
Строка 11 151:		Строка 11 151:
	На основе опроса экспертов авторы отчёта Всемирного экономического форума составили перечень 20 профессий, в которых спрос на рабочую силу в ближайшие годы будет расти, а также 20 профессий, в которых он будет снижаться.		На основе опроса экспертов авторы отчёта Всемирного экономического форума составили перечень 20 профессий, в которых спрос на рабочую силу в ближайшие годы будет расти, а также 20 профессий, в которых он будет снижаться.

	{\|		{\|border=1
	!width="11%"\| '''Позиция'''		!width="11%"\| '''Позиция'''
	!width="41%"\| '''Рост спроса'''		!width="41%"\| '''Рост спроса'''

Andrey Fedichkin в 21:11, 16 апреля 2025

2025-04-16T21:11:23Z

← Предыдущая версия		Версия от 21:11, 16 апреля 2025
Строка 9090:		Строка 9090:
	Эта архитектура затем модифицируется авторами под каждую отдельную задачу путём модификации параметров прореживания, а также удаления некоторых слоёв. В случае с EMO‑DB авторы выделяют отдельные сети для выявления наиболее сложно распознаваемых эмоций, а также объединяют несколько моделей в ансамбли. Впрочем, с датасетом RAVDESS неплохо справляется и базовая архитектура. Вот так выглядит матрица ошибок [confusion matrix] для этого набора данных (авторы разделили все записи на обучающую и тестовую выборки в пропорции 80 : 20, ниже приведена матрица ошибок для тестовой выборки).		Эта архитектура затем модифицируется авторами под каждую отдельную задачу путём модификации параметров прореживания, а также удаления некоторых слоёв. В случае с EMO‑DB авторы выделяют отдельные сети для выявления наиболее сложно распознаваемых эмоций, а также объединяют несколько моделей в ансамбли. Впрочем, с датасетом RAVDESS неплохо справляется и базовая архитектура. Вот так выглядит матрица ошибок [confusion matrix] для этого набора данных (авторы разделили все записи на обучающую и тестовую выборки в пропорции 80 : 20, ниже приведена матрица ошибок для тестовой выборки).

	{\|		{\|border=1
	!width="15%"\|		!width="15%"\|
	!width="10%"\| Раздра-жение		!width="10%"\| Раздра-жение

Andrey Fedichkin в 21:06, 16 апреля 2025

2025-04-16T21:06:07Z

← Предыдущая версия		Версия от 21:06, 16 апреля 2025
Строка 8604:		Строка 8604:

	{\|border=1		{\|border=1
	~~!width~~="~~44%~~"\| Варианты синтеза/Образцы речи		\|rowspan="2"\| Варианты синтеза/Образцы речи
	~~!width~~="~~28%~~"\| Средняя субъективная оценка естественности речи по пятибалльной шкале		\|colspan="2"\| Средняя субъективная оценка естественности речи по пятибалльной шкале
	~~!width="27%"\|~~
	\|-		\|-
	\|
	\| североамериканский английский		\| североамериканский английский
	\|		\|
Строка 8615:		Строка 8613:
	(путунхуа)		(путунхуа)
	\|-		\|-
	\|		!width="44%"\|
	<blockquote>Параметрический на базе LSTM-RNN		<blockquote>Параметрический на базе LSTM-RNN
	</blockquote>		</blockquote>
	\| 3,67 ± 0,098		!width="28%"\| 3,67 ± 0,098
	\| 3,79 ± 0,084		!width="27%"\| 3,79 ± 0,084
	\|-		\|-
	\|		\|

Andrey Fedichkin в 20:48, 16 апреля 2025

2025-04-16T20:48:40Z

← Предыдущая версия		Версия от 20:48, 16 апреля 2025
Строка 8603:		Строка 8603:
	Для оценки возможностей WaveNet в качестве модели для синтеза речи авторы работы провели сравнительные тесты. Для сравнения они привлекли две другие модели синтеза (конкатенативную на основе скрытой марковской модели и параметрическую на основе LSTM) для двух языков (английского и китайского). Для обучения всех моделей были взяты одинаковые речевые корпусы (24,6 часа для английского языка и 34,8 часа для китайского). Кроме того, при сравнении были использованы образцы естественной речи, для кодирования которой применялось два различных способа (с глубиной кодирования 8 и 16 бит). Для оценки использовались как попарные сравнения, так и усреднённая субъективная оценка по пятибалльной шкале. Количество оценщиков, принявших участие в экспериментах, не было раскрыто, однако в статье приведены размеры доверительных интервалов. В таблице ниже представлены полученные в результате тестов усреднённые субъективные оценки<ref>van den Oord A., Dieleman S., Zen H., Simonyan K., Vinyals O., Graves A., Kalchbrenner N., Senior A., Kavukcuoglu K. (2016). WaveNet: A generative model for raw audio // https://arxiv.org/pdf/1609.03499.pdf</ref><sup>,</sup> <ref>van den Oord A., Dieleman S. (2016). WaveNet: A generative model for raw audio // https://deepmind.com/blog/article/wavenet-generative-model-raw-audio</ref>.		Для оценки возможностей WaveNet в качестве модели для синтеза речи авторы работы провели сравнительные тесты. Для сравнения они привлекли две другие модели синтеза (конкатенативную на основе скрытой марковской модели и параметрическую на основе LSTM) для двух языков (английского и китайского). Для обучения всех моделей были взяты одинаковые речевые корпусы (24,6 часа для английского языка и 34,8 часа для китайского). Кроме того, при сравнении были использованы образцы естественной речи, для кодирования которой применялось два различных способа (с глубиной кодирования 8 и 16 бит). Для оценки использовались как попарные сравнения, так и усреднённая субъективная оценка по пятибалльной шкале. Количество оценщиков, принявших участие в экспериментах, не было раскрыто, однако в статье приведены размеры доверительных интервалов. В таблице ниже представлены полученные в результате тестов усреднённые субъективные оценки<ref>van den Oord A., Dieleman S., Zen H., Simonyan K., Vinyals O., Graves A., Kalchbrenner N., Senior A., Kavukcuoglu K. (2016). WaveNet: A generative model for raw audio // https://arxiv.org/pdf/1609.03499.pdf</ref><sup>,</sup> <ref>van den Oord A., Dieleman S. (2016). WaveNet: A generative model for raw audio // https://deepmind.com/blog/article/wavenet-generative-model-raw-audio</ref>.

	{\|		{\|border=1
	!width="44%"\| Варианты синтеза/Образцы речи		!width="44%"\| Варианты синтеза/Образцы речи
	!width="28%"\| Средняя субъективная оценка естественности речи по пятибалльной шкале		!width="28%"\| Средняя субъективная оценка естественности речи по пятибалльной шкале
Строка 8693:		Строка 8693:
	В качестве шагов в этом направлении можно рассматривать появление таких моделей, как «Такотрон-2» (2018)<ref>Shen J., Pang R., Weiss R. J., Schuster M., Jaitly N., Yang Z., Chen Z., Zhang Y., Wang Y., Skerry-Ryan RJ, Saurous R. A., Agiomyrgiannakis Y., Wu Y. (2018). Natural TTS Synthesis by Conditioning WaveNet on Mel Spectrogram Predictions // https://arxiv.org/abs/1712.05884</ref> (здесь место вокодера занял WaveNet, получающий на вход мел-спектрограмму речевого сигнала). Эта модель смогла существенно обойти в качестве синтеза не только свою предшественницу, но и конкатенативный синтез и WaveNet, получающий на вход лингвистические признаки речевого сигнала. Результаты экспериментов по оценке качества синтеза, опубликованные авторами «Такотрона-2», приведены в таблице ниже (для обучения всех моделей использовался тот же набор данных, что и в работе по первой версии «Такотрона»).		В качестве шагов в этом направлении можно рассматривать появление таких моделей, как «Такотрон-2» (2018)<ref>Shen J., Pang R., Weiss R. J., Schuster M., Jaitly N., Yang Z., Chen Z., Zhang Y., Wang Y., Skerry-Ryan RJ, Saurous R. A., Agiomyrgiannakis Y., Wu Y. (2018). Natural TTS Synthesis by Conditioning WaveNet on Mel Spectrogram Predictions // https://arxiv.org/abs/1712.05884</ref> (здесь место вокодера занял WaveNet, получающий на вход мел-спектрограмму речевого сигнала). Эта модель смогла существенно обойти в качестве синтеза не только свою предшественницу, но и конкатенативный синтез и WaveNet, получающий на вход лингвистические признаки речевого сигнала. Результаты экспериментов по оценке качества синтеза, опубликованные авторами «Такотрона-2», приведены в таблице ниже (для обучения всех моделей использовался тот же набор данных, что и в работе по первой версии «Такотрона»).

	{\|		{\|border=1
	!width="64%"\| '''Система'''		!width="64%"\| '''Система'''
	!width="35%"\| '''Оценка по метрике MOS'''		!width="35%"\| '''Оценка по метрике MOS'''

← Предыдущая версия		Версия от 20:48, 16 апреля 2025
Строка 8603:		Строка 8603:
	Для оценки возможностей WaveNet в качестве модели для синтеза речи авторы работы провели сравнительные тесты. Для сравнения они привлекли две другие модели синтеза (конкатенативную на основе скрытой марковской модели и параметрическую на основе LSTM) для двух языков (английского и китайского). Для обучения всех моделей были взяты одинаковые речевые корпусы (24,6 часа для английского языка и 34,8 часа для китайского). Кроме того, при сравнении были использованы образцы естественной речи, для кодирования которой применялось два различных способа (с глубиной кодирования 8 и 16 бит). Для оценки использовались как попарные сравнения, так и усреднённая субъективная оценка по пятибалльной шкале. Количество оценщиков, принявших участие в экспериментах, не было раскрыто, однако в статье приведены размеры доверительных интервалов. В таблице ниже представлены полученные в результате тестов усреднённые субъективные оценки<ref>van den Oord A., Dieleman S., Zen H., Simonyan K., Vinyals O., Graves A., Kalchbrenner N., Senior A., Kavukcuoglu K. (2016). WaveNet: A generative model for raw audio // https://arxiv.org/pdf/1609.03499.pdf</ref><sup>,</sup> <ref>van den Oord A., Dieleman S. (2016). WaveNet: A generative model for raw audio // https://deepmind.com/blog/article/wavenet-generative-model-raw-audio</ref>.		Для оценки возможностей WaveNet в качестве модели для синтеза речи авторы работы провели сравнительные тесты. Для сравнения они привлекли две другие модели синтеза (конкатенативную на основе скрытой марковской модели и параметрическую на основе LSTM) для двух языков (английского и китайского). Для обучения всех моделей были взяты одинаковые речевые корпусы (24,6 часа для английского языка и 34,8 часа для китайского). Кроме того, при сравнении были использованы образцы естественной речи, для кодирования которой применялось два различных способа (с глубиной кодирования 8 и 16 бит). Для оценки использовались как попарные сравнения, так и усреднённая субъективная оценка по пятибалльной шкале. Количество оценщиков, принявших участие в экспериментах, не было раскрыто, однако в статье приведены размеры доверительных интервалов. В таблице ниже представлены полученные в результате тестов усреднённые субъективные оценки<ref>van den Oord A., Dieleman S., Zen H., Simonyan K., Vinyals O., Graves A., Kalchbrenner N., Senior A., Kavukcuoglu K. (2016). WaveNet: A generative model for raw audio // https://arxiv.org/pdf/1609.03499.pdf</ref><sup>,</sup> <ref>van den Oord A., Dieleman S. (2016). WaveNet: A generative model for raw audio // https://deepmind.com/blog/article/wavenet-generative-model-raw-audio</ref>.

	{\|		{\|border=1
	!width="44%"\| Варианты синтеза/Образцы речи		!width="44%"\| Варианты синтеза/Образцы речи
	!width="28%"\| Средняя субъективная оценка естественности речи по пятибалльной шкале		!width="28%"\| Средняя субъективная оценка естественности речи по пятибалльной шкале
Строка 8693:		Строка 8693:
	В качестве шагов в этом направлении можно рассматривать появление таких моделей, как «Такотрон-2» (2018)<ref>Shen J., Pang R., Weiss R. J., Schuster M., Jaitly N., Yang Z., Chen Z., Zhang Y., Wang Y., Skerry-Ryan RJ, Saurous R. A., Agiomyrgiannakis Y., Wu Y. (2018). Natural TTS Synthesis by Conditioning WaveNet on Mel Spectrogram Predictions // https://arxiv.org/abs/1712.05884</ref> (здесь место вокодера занял WaveNet, получающий на вход мел-спектрограмму речевого сигнала). Эта модель смогла существенно обойти в качестве синтеза не только свою предшественницу, но и конкатенативный синтез и WaveNet, получающий на вход лингвистические признаки речевого сигнала. Результаты экспериментов по оценке качества синтеза, опубликованные авторами «Такотрона-2», приведены в таблице ниже (для обучения всех моделей использовался тот же набор данных, что и в работе по первой версии «Такотрона»).		В качестве шагов в этом направлении можно рассматривать появление таких моделей, как «Такотрон-2» (2018)<ref>Shen J., Pang R., Weiss R. J., Schuster M., Jaitly N., Yang Z., Chen Z., Zhang Y., Wang Y., Skerry-Ryan RJ, Saurous R. A., Agiomyrgiannakis Y., Wu Y. (2018). Natural TTS Synthesis by Conditioning WaveNet on Mel Spectrogram Predictions // https://arxiv.org/abs/1712.05884</ref> (здесь место вокодера занял WaveNet, получающий на вход мел-спектрограмму речевого сигнала). Эта модель смогла существенно обойти в качестве синтеза не только свою предшественницу, но и конкатенативный синтез и WaveNet, получающий на вход лингвистические признаки речевого сигнала. Результаты экспериментов по оценке качества синтеза, опубликованные авторами «Такотрона-2», приведены в таблице ниже (для обучения всех моделей использовался тот же набор данных, что и в работе по первой версии «Такотрона»).

	{\|		{\|border=1
	!width="64%"\| '''Система'''		!width="64%"\| '''Система'''
	!width="35%"\| '''Оценка по метрике MOS'''		!width="35%"\| '''Оценка по метрике MOS'''