エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
音声認識とビーム幅について (ver 0.0.0)
音声認識における統計的手法として,音声の音響的な特徴と言語的な特徴をそれぞれモデルとして学習した... 音声認識における統計的手法として,音声の音響的な特徴と言語的な特徴をそれぞれモデルとして学習したもの(音響モデル,言語モデル)を用いる手法が主流であり,音声認識エンジン Julius もこれを用いている. 音響モデル,言語モデルの詳細な説明は省く. 音声認識エンジンでは,モデルに基づいて出力となる認識仮説(文章)の候補の尤度を計算し,最も尤度の高い認識仮説を最終的に出力する. 出力の候補となる認識仮説において,あらゆるパターンを想定するならば,その仮説の数は膨大となってしまう.このため,音声認識エンジンは音声の先頭から逐次的に仮説の生成,尤度の計算を行っていき,途中の尤度の低い仮説は認識の正解となる可能性が低いため,出力候補から除外していく. ここで,計算過程において認識仮説の候補として保持する個数を「ビーム幅」と呼ぶ. 音声認識エンジンでは,この尤度の計算(=パス)を二回行う(第一パス,