Товарищи!
Собираюсь выложить на arxiv.org статью, может кто-нибудь эндорснуть в cs.CV?

Кинь в личку пдфку и линк на эндорс

Спасибо!

добрый день! насколько сейчас актуально распознавание речи с помощью hidden markov models?

Неа, устарело

А что используют сейчас?

Не нашёл ничего подходящего? Тоже интересно

Какой язык?

Без разницы, интересуют сами алгоритмы распознавания речи

ну эти два решения и трейдоф между ними все в целом описывают. Можно большую дату разбить на несколько кусков, и их в lmdb и периодически их тасовать и в ручном режиме управлять тренировкой и датой.

то есть натренироваться на одном куске, потом на другом, потом на третьем, потом перетасовать и опять.

мапить и анмапить

просто у GPU нет свап системы, вряд ли тут еще что то умное придумаешь мне кажется.

Vosk, sova, wav2vec, nemo, kaldi

Это всё фреймворки. А какие технологии используют эти фреймворки?

Deep learning)
По энкодерам (аудиомодель) сейчас иногда используют TDNN, некоторые работы опираются на пару сверток + Transformer Encoder, кто-то 1D свертки использует (CNN получается, только на 1D свертках), вот нынче модно Conformer использовать. Для декодирования - да к чему душа у кого лежит, но чаще встречал LSTM и Transformer Decoder. Лоссы - кросс энтропия и CTC loss. Аугментации - SpecAugment наиболее важно. Лингвистические модели - чаще Transformer, иногда - LSTM. Можно и без них. Beam Search в декодировании, + эвристики на окончание декодирования. Разбиение текста обычно через Byte Pair Encoding.

спасибо большое, буду изучать!

Ну и данные у всех (за редким исключением) - Mel Spectrogram на 80 значений с шагом 10ms

Т.е. речь в аудиоформате разбивается на фрагменты по 10ms, а потом трансформируется как описано тут? https://en.wikipedia.org/wiki/Mel-frequency_cepstrum

нет