Nov, 2023

使用 Transformer 架构和序列对齐进行字符级孟加拉文转音标转写

PDF
TL;DR通过使用基于 Transformer 的序列到序列模型，本研究在单个解码器和编码器层中仅使用了 850 万个参数，实现了汉语中每个单词的国际音标，并在 DataVerse Challenge - ITVerse 2023 公开排名中以 0.10582 的字错误率获得了第一名。
international phonetic alphabetipabanglaartificial intelligencemachine learning
发现论文，激发创造
  • 孟加拉文本的国际音标转写

    该研究论文介绍了国际音标 (IPA) 及其在孟加拉语音韵学和语音学中的应用，提出了一个新的 IPA 标准框架，并介绍了一个包含深度学习基准测试的新数据集，以促进语言分析、NLP 资源创建和相关技术的开发。

    Mar, 2024

  • 使用区域性方言将孟加拉文字转写为国际音标的方法

    该论文介绍了一种将孟加拉语文本准确转录为国际音标的方法，通过在输入序列之前加入地区标记，模型能够理解每个地区的独特语音模式，实验证明该方法在处理多样化语音变化的语言中具有显著效果。

    Mar, 2024

  • 国际音标的通用自动音标转写

    该论文提出了一种先进的模型，可将任何语言的语音转录为国际音标（IPA），并演示了该模型接近人类标注者的普遍语音到 IPA 模型质量。

    Aug, 2023

  • 孟加拉会话代理的端到端自然语言理解流水线

    本文提出了一种新方法来构建可用于商业助手的孟加拉语聊天机器人，以高度自信地使用孟加拉语和孟加拉语在英语翻译中进行交流，使用 Rasa Open Source Framework，fastText embeddings，Polyglot embeddings，Flask 和其他系统作为构建块进行机器学习建模和部署，并呈现出意图分类和实体抽取的流程，其表现合理 。

    Jul, 2021

  • BanglaNLP 参与 BLP-2023 任务 2：对孟加拉社交媒体帖子的情感分析进行不同 Transformer 模型的基准测试

    这篇论文使用基于 Transformer 的架构进行情感分析，以解决 Bangla 这种低资源语言的问题，并通过细调模型在推特数据上获得最佳性能。同时，还进行了详细的错误分析。

    Oct, 2023

  • BanglaNLP 在 BLP-2023 任务 1 中：对孟加拉语中激发暴力的文本检测进行不同的 Transformer 模型评估

    本研究通过开发系统解决孟加拉暴力煽动文本检测的共享任务，探讨了我们所采用的传统和最新方法，该系统有助于分类给定文本是否包含威胁。实验研究了在有限数据集情况下数据增强的影响，定量结果表明，与其他基于变压器结构的模型相比，微调多语言 - e5 基础模型在任务中表现最佳。 在测试集中，宏 F1 得分达到了 68.11％，并且在该共享任务的排行榜中排名第 23 位。

    Oct, 2023

  • 序列对序列神经网络模型进行音译

    本文介绍了使用神经序列到序列模型在现有数据集上达到最先进或接近最先进的结果，以转录为重点组件的机器翻译系统和软件国际化。为了使机器转录易于使用，我们开放了一个新的阿拉伯文到英文的转录数据集和我们训练的模型。

    Oct, 2016

  • 基于字符和语音的 LSTM 模型的孟加拉 - 英文混合代码文本语言识别

    本文提出一种基于深度长短期记忆 (LSTM) 模型的有监督学习方法，针对社交媒体上的低资源孟加拉语 - 英语混合数据的单词级别语言识别问题，采用字符编码和词根编码两种方法训练模型，并使用堆叠和阈值技术创建两个集成模型，在测试数据上分别获得了 91.78% 和 92.35% 的准确率。

    Mar, 2018

  • 适应神经脑机接口预测输入的 Transformer 语言模型

    使用 Transformer 语言模型进行字符预测可以很大程度上加快 BCI 打字速度，本文针对几种基于 wordpiece 级别的 Transformer 语言模型进行了评估，并发现 GPT-2 可以在干净的文本上取得最佳效果，同时分析了字符位置和上下文长度对打字速度的影响。

    May, 2023

  • 适用于低资源语音识别的语言通用语音编码器

    使用国际音标为基础的语言通用的语音模型在多语言音频识别中表现出良好效果，且通过自适应方法在极低资源语言的情况下改进了识别性能。

    May, 2023