এআই গ্লসারি

📖

শব্দ

অডিও ট্রান্সফরমার

অডিও ডেটার টেম্পোরাল বা ফ্রিকোয়েন্সি রিপ্রেজেন্টেশনে অ্যাটেনশন মেকানিজম ব্যবহার করে অডিও সিগন্যাল প্রসেসিংয়ের জন্য অভিযোজিত ট্রান্সফরমার আর্কিটেকচার।

📖

শব্দ

স্পেক্ট্রোগ্রাম ট্রান্সফরমার

স্পেক্ট্রোগ্রামে সরাসরি কাজ করে এমন ট্রান্সফরমারের একটি বৈকল্পিক, যা অডিও ক্লাসিফিকেশনের জন্য এম্বেডিং সিকোয়েন্স হিসেবে প্যাচগুলিতে বিভক্ত করে।

📖

শব্দ

Wav2Vec 2.0

র অ্যাপার্কিটেকচার সহ কোয়ান্টাইজড মাস্কিং ব্যবহার করে কাঁচা ওয়েভফর্মে ভয়েস রিপ্রেজেন্টেশনের জন্য স্ব-তত্ত্বাবধায়িত শিক্ষণ মডেল।

📖

শব্দ

Whisper

স্পিচ রিকগনিশন এবং স্পিচ-টু-টেক্সট ট্রান্সলেশনের জন্য শক্তিশালী ট্রান্সফরমার মডেল, যা 680k ঘন্টার ট্রান্সক্রাইবড অডিও ডেটায় দুর্বল তত্ত্বাবধানে প্রশিক্ষিত।

📖

শব্দ

অডিওএলএম

অ্যাকোস্টিক এবং সেম্যান্টিক ডিসক্রিট রিপ্রেজেন্টেশনে হায়ারার্কিক্যাল ট্রান্সফরমার ব্যবহার করে অডিও জেনারেশনের জন্য ল্যাঙ্গুয়েজ-লাইক মডেল।

📖

শব্দ

এনকোডেক

হাই-ফাইডেলিটি অডিও কম্প্রেশন এবং রিকনস্ট্রাকশনের জন্য রেসিডুয়াল কোয়ান্টাইজেশন সহ ট্রান্সফরমার-ভিত্তিক নিউরাল কোডেক।

📖

শব্দ

VALL-E

3 সেকেন্ডের ভয়েস প্রম্পট থেকে উচ্চ-গুণমানের স্পিচ জেনারেট করার জন্য ট্রান্সফরমার ব্যবহার করে নিউরাল কোডেক ল্যাঙ্গুয়েজ ভয়েস সিন্থেসিস মডেল।

📖

শব্দ

Wav2Vec-U

অনট্রান্সক্রাইবড প্রি-ট্রেইন্ড wav2vec 2.0 মডেল ব্যবহার করে ASR-এর জন্য আনসুপারভাইজড অ্যাপ্রোচ, ইমপ্লিসিট ফোনেটিক অ্যালাইনমেন্ট কাজে লাগায়।

📖

শব্দ

মিউজিকজেন

অডিও টোকেনাইজার ব্যবহার করে সঙ্গীত তৈরির জন্য কন্ডিশনাল ট্রান্সফরমার মডেল, যা টেক্সট বর্ণনা বা সুর দ্বারা নিয়ন্ত্রণযোগ্য।

📖

শব্দ

এমইআরটি

মিউজিক এনভেলপ রিপ্রেজেন্টেশন ট্রান্সফরমার, মাল্টি-স্কেল রিপ্রেজেন্টেশন ব্যবহার করে সঙ্গীত বোঝার জন্য স্ব-তত্ত্বাবধানে প্রাক-প্রশিক্ষিত মডেল।

📖

শব্দ

স্পেকটুভেক

অডিও শ্রেণীবিভাগ এবং পুনরুদ্ধার কাজের জন্য স্পেকট্রোগ্রামকে ভেক্টর এম্বেডিংয়ে রূপান্তরকারী ট্রান্সফরমার আর্কিটেকচার।