Декор и романтика своими руками в контакте: Романтика и декор своими руками | ВКонтакте

идеи для уютного интерьера — INMYROOM

Вы только въехали в новый дом, и интерьер кажется вам недостаточно уютным, а денег на качественный ремонт у вас нет. Знаете, как украсить комнату? Дизайнеры считают, что уютный именно тот дом, который грамотно и красиво оформлен. Как не была бы обставлена комната, ее пустые стены могут испортить весь интерьер. Также дизайн будет казаться незаконченным. Потому хорошим решением будет попытка украсить его. Совсем необязательно пользоваться услугами специалистов, а лучше попробовать сделать это самостоятельно.

Роспись стен

Роспись стен считается одним из красивейших способов в том, как украсить помещение, потому не удивительно, что еще в старые времена мастера покрывали стены уникальными фресками. Также росписью стен можно добиться увеличения или уменьшения пространства. В отличие от тех далеких времен, технология росписи в наше время не просто осталась такой же, а стала еще проще. Это объясняется тем, что сегодня для декорирования стен используют только современные виды красок и материалы.

Перед тем, как начать роспись стен, нужно тщательно обдумать, что именно должно быть изображено на них, и проследить, чтобы рисунок был гармоничным с общим оформлением комнаты. Уют и гармонию в детской комнате помогут создать большие сплошные элементы, которые должны быть очень яркими. В то время как для гостиной лучше подойдет большой рисунок только на одной стене.

Следующий шаг это грунтовка, шпаклевка стен, то есть подготовка к самой росписи. Только после этого можно начинать декорировать стены с помощью рисунков. Рисовать сразу же красками по стене лучше в том случае, если у вас есть художественные навыки и вы уверены, что у вас хорошо получится. В противном случае, можно скачать множество трафаретов из интернета. Их использование заключается в том, что сначала трафарет прикладывают к стене, затем обводят его карандашом либо красками и только потом начинается обрисовка трафарета.

Фото, картины, зеркала, часы

Еще один способ как красиво украсить комнату для создания уюта это фото, картины, зеркала и часы. Раньше на стенах можно было увидеть черно-белые семейные фотографии, ведь они выглядят очень гостеприимно и уютно. Чтобы добиться полной гармонии, нужно объединить разные фотографии, экспериментировать с их размерами и цветовой гаммой рамок, ведь снимки, одинаковые по размерам, в один ряд смотрятся совсем негармонично, скучно и непривлекательно.

Есть множество вариантов расположения фото и картин в зависимости от их размеров. Можно вокруг одного большого снимка расположить множество маленьких. Также на стену можно повесить всего одну, но большую картину. Все зависит только от фантазии и желаний владельца дома. Более того, подбирая дизайн, стоит учитывать атмосферу комнаты, в которой они будут находиться. Например, в спальне красиво будут смотреться романтические фотографии, для гостиной больше подойдут общие семейные, а для детской – веселые, жизнерадостные фотографии. Также, в качестве украшения комнаты следует использовать панно, но стоит помнить, что их лучше вешать на уровне глаз.

Зеркало также считается хорошим вариантом украшения комнаты. Эффект тепла и уюта в помещении создается при условии, если зеркало повесить так, чтобы оно отражало фотографии, картины или панно. Для зеркал стоит выбрать интересную рамку или сделать ее самостоятельно, например, с помощью деревянных прищепок, акриловых красок и лака.

Как украсить дом аппликациями

Самым легким, простым и оригинальным вариантом как украсить стену в комнате считается узор на стенах из остатков обоев и наклеек, то есть аппликация. С помощью этого способа можно создать любой рисунок и узор, а также красивые надписи, нарисовав их на компьютере и аккуратно наклеив на стену. Но стоит помнить, что для детских комнат подойдут яркие аппликации, а уже в остальных комнатах можно воспользоваться пастельными тонами. Если к аппликации не подобрать контрастные обои, то рисунок может быть недостаточно заметным. Используя такой вид украшения стен, можно не только немного сменить вид комнаты, но и кардинально преобразить интерьер помещения.

Вышивка, текстиль, подушки

Еще один способ как украсить комнату своими руками является вышивка. Если вы любите и умеете вышивать, то сделать это будет очень просто. С помощью вышивки можно оживить интерьер комнаты и сделать его более гармоничным, придав завершенности. Расположение вышитых картин зависит только от индивидуального вкуса и желаний владельца дома.

Самый простой способ, как украсить комнату – это диванные подушки. Их можно использовать и для контраста, и для дополнения цветовой гаммы комнаты. Цвет, ткань, узор подушек зависит от желаемого эффекта и интерьера комнаты. Для лучшего результата желательно экспериментировать, но, конечно же, не забывать про стиль вашей комнаты.

Идеи украшений из бумаги

Не только подушки или картины могут украшать комнату. Есть доступный и простой способ: использовать бумагу. Какие варианты?

  • Украшение дома подарочной бумагой. Нарезать лоскутки обертки, поместив их в рамки или использовать рулон, наклеив длинную полосу на стену.
  • Объемные бумажные украшения. Этот вид творчества даже носит свое название – бумагопластика. Из плотной бумаги вырезают цветы, бабочки, спирали, загибая края нужным образом. Романтичная аппликация готова.
  • Помпоны из папиросной бумаги (тишью). Десять листов накладывают друг на друга, сгибая “гармошкой”. Посередине заготовку перевязывают шнуром или леской. Края аккуратно разгибают, и получается оригинальный декор: помпон можно подвесить к потолку или на стену.
  • Оригами. Цветные или белоснежные, эти японские аппликации украсят стены гостиной или детскую комнату.

Бумажное украшение дома – простой способ внести изменения в интерьер. Оно также послужит отличным временным решением, скрывающим пятно или вмятину на стене, несовершенство мебели. 

Шторы для украшения дома

Важную роль в интерьере комнаты играют шторы. Их смена часто кардинально меняет вид помещения. Сейчас существует огромнейший выбор штор на любой вкус, потому их выбор не станет большое проблемой, но заметно поможет в изменении интерьера. При выборе штор стоит помнить, что они должны быть на несколько тонов ярче стен помещения. Также не стоит забывать про фиксаторы для штор, которые должны подходить к общему интерьеру комнаты.

Украшение комнаты полками

Функциональный и эстетичный способ, как украсить дом своими руками – использовать полки. Как это сделать?

  • Повесить открытый стеллаж, обрамив его красивым багетом (пример идеи – на фото).
  • Покрасить заднюю стенку стеллажа в яркий, контрастный стенам цвет.
  • Прикрепить обычные книжные полки, сложив из них какое-нибудь слово на стене. Лучше, если они будут цветными.
  • Сделать компактные полочки нестандартной формы (треугольные, с многогранными ячейками, в виде крестиков). Пусть даже декоративная функция таких предметов будет преобладать над практической.

Не забывайте два правила: чтобы полки действительно украшали дом, они должны контрастировать со стеной, а предметы на них должны быть расположены гармонично, без хаоса.

Освещение

Освещение – это прекрасный способ как можно украсить комнату, который играет одну из важнейших ролей в декорировании. Всего лишь замена освещения поможет добиться огромных результатов в украшении. Ведь именно большое количество света — это частый прием, используемый дизайнерами. Большое количество естественного мягкого света в спальне или гостиной поможет расслабиться, в то время как холодный цвет в рабочем кабинете помогает сконцентрироваться.

Растения, цветы

Известно, что цветы и растения – это не только главный источник кислорода, но и прекрасное и современное украшение для комнаты. С помощью растений можно освежить помещение, сделать интерьер более природным и естественным. Но использовать цветы нужно в меру и постараться не переборщить, иначе помещение будет похоже на оранжерею. Цветы выбирают в зависимости от цвета и размера растения. Но стоит помнить, что виды растений выбираются не только в зависимости от вашего вкуса, но и в зависимости от условий, нужных тем или иным видам цветов. Некоторые любят много влаги, другие много солнечного света или тень, потому эту особенность стоит также учитывать.

Поделки своими руками

В интернете существуют разные идеи украшения комнаты своими руками методом создания разнообразных поделок. Вот несколько из них.

Картина из кругов

Очень простой способ украшение комнаты своими руками это картина из пузырей. Для ее создания нам понадобится всего лишь планшет, ножницы, большая кисточка, матовый клей для декупажа, белая акриловая краска и папирусная бумага нужных цветов. Для начала нужно покрасить планшет слоем белой краски и высушить, потом вырезать из папирусной бумаги круги разных размеров и распределить их на планшете согласно вашим вкусам. Далее следует приклеить кружочки и аккуратно разгладить их кисточкой. Картина из пузырей готова. Также вместо кругов можно использовать совершенно разные фигуры на ваш вкус.

Изображения из Instagram

На квадратный планшет с помощью кисточки и клея наклеить фотографии изInstagram, предварительно распечатав их и вырезав. Стоит учесть размеры фотографий и планшета. Чтобы идеально подошло 9 фотографий размером 10х10, основа должна быть размером 30х30. Также можно обойтись и без картонки, наклеив изображения прямо на стену с помощью двустороннего скотча. Идея для украшения комнаты готова.

Топографические нити

Данный способ украшения комнаты требует аккуратности и терпения. Нам понадобится деревянный планшет, молоток, небольшие гвозди и нить. Для начала наносим нужный рисунок на основу. Затем ставим несколько точек, в которые вбиваем гвозди. Далее привязываем нить к одному гвоздю и в случайном порядке обворачиваем ее вокруг каждого гвоздя.Для лучшего результата, можно повторить процесс нитью другого цвета.

Видео

Рекомендуем просмотреть данные видеоролики, которые помогут оригинально украсить комнату.

100 идей ко Дню Святого Валентина!

?

Previous Entry | Next Entry



Более 100 идей ко Дню Святого Валентина! 

Из  паблика «Романтика и декор своими руками»!


Открытка «Сердце в руках» http://vk. com/wall-35059398_63158






Посылка- креатив подарок + сертификат на исполнения желания. http://vk.com/wall-35059398_60281




[тут много-много идей!!!]


Романтичный кекс http://vk.com/wall-35059398_59306






Открытки. Pop up с шаблонами http://vk.com/wall-35059398_62501

Чехольчик для кружки «Медвежонок». http://vk.com/wall-35059398_60160

Трафареты ко Дню Св. Валентина http://vk.com/wall-35059398_60940 и http://vk.com/wall-35059398_60822 и http://vk.com/wall-35059398_62645




Вязаные идеи для любимых. http://vk.com/wall-35059398_61040

Такие милые и трогательные котейки. На День св Валентина отличный сувенирчик. http://vk.com/wall-35059398_61085

Трафареты к дню влюбленных http://vk.com/wall-35059398_61100


Валентинка-дергунчик http://vk.com/wall-35059398_60995

Коробочка с сюрпризом на День Святого Валентина http://vk.com/wall-35059398_61213





Украшение квартиры на День Святого Валентина. Множество идей: http://vk.com/wall-35059398_61296 и http://vk.com/wall-35059398_60896


Валентинка «Еще больше места для нежных слов» http://vk.com/wall-35059398_61373




Праздничный венок из сердечек http://vk.com/wall-35059398_61276

Валентинка-оригами http://vk. com/wall-35059398_61395

Панно к празднику дня Святого Валентина http://vk.com/wall-35059398_61800


Объемное сердце из роз – оригинальный подарок на день Св. Валентина. http://vk.com/wall-35059398_61927






Сердце из ниток и клея http://vk.com/wall-35059398_61688

Шуточные сертификаты http://vk.com/wall-35059398_61866





Сладкая валентинка!


Сладкая валентинка своими руками http://vk.com/wall-35059398_62049


«Я тебя люблю» на 30 языках мира.

Веселые валентинки со сладостями http://vk.com/wall-35059398_62162





3D пирамидки-елочки ко Дню влюбленных http://vk. com/wall-35059398_62169


Книжечка 101 причина почему «Я люблю тебя» http://vk.com/wall-35059398_62120




Котики ко Дню Св. Валентина из сердечек http://vk.com/wall-35059398_62081

Идея признания.


Идея на день Св.Валентина.

Валентинка с шаблоном. http://vk.com/wall-35059398_62241



Читайте продолжение во 2 части. http://akademiaprazdni.livejournal.com/4489.html







Tags:
  • декор,
  • праздники,
  • развлечение,
  • разное,
  • рукоделие,
  • творчество,
  • чужое

February 2014
S M T W T F S
      1
2345678
9101112131415
16171819202122
232425262728 

Powered by LiveJournal. com

Читать, а не слушать: как работает распознавание речи во «ВКонтакте» | by VK Team

Когда дело доходит до сообщений, читать их быстрее, чем слушать. Также легче просматривать текст, чтобы найти и проверить детали. Однако иногда бывают ситуации, когда гораздо удобнее просто отправить голосовое сообщение, чем набирать все подряд.

Меня зовут Надя Зуева. В этой статье я расскажу, как мы в ВКонтакте смогли помочь помирить любителей и ненавистников голосовых сообщений с помощью автоматического распознавания речи. Я поделюсь с вами тем, как мы пришли к нашему решению, какие модели мы используем, на каких данных мы их обучали и как мы оптимизировали его для быстрой работы в продакшене.

Мы начали проводить исследования по распознаванию речи в голосовых сообщениях в 2018 году. Тогда мы думали, что это может стать крутой функцией продукта и настоящим вызовом для нашей исследовательской группы. Голосовые сообщения записываются в условиях, далеких от идеальных, люди говорят на сленге и не особо заботятся о правильной дикции. И в то же время распознавание речи должно быть быстрым. Тратить 10 минут на расшифровку 10-секундного голосового сообщения — не вариант.

В начале все наши эксперименты мы проводили с использованием английской речи, так как на английском много хороших наборов данных, и научились их распознавать. Однако большая часть аудитории ВКонтакте говорит по-русски, и в открытом доступе не было русских наборов данных, которые мы могли бы использовать для обучения наших моделей. Сейчас с русскими наборами данных ситуация получше: есть «Голос» от Сбера, Common Voice от Mozilla и ряд других. Но до этого это была отдельная задача, которую нам нужно было решить, создав собственный набор данных.

Первая версия нашей модели была основана на wav2letter++ от Facebook AI Research и была готова к экспериментам в продакшене в 2019 году. Мы запустили ее в тихом режиме как функцию поиска голосовых сообщений. Благодаря этому мы смогли убедиться, что распознавание речи может быть полезно для преобразования голосовых сообщений в текст, и начали вкладывать больше ресурсов в создание этой технологии.

В начале 2020 года нашей задачей было нечто большее, чем просто создание точной модели. Нам нужно было увеличить производительность для нашей многомиллионной аудитории. Дополнительным вызовом для нас стал сленг. У нас не было другого выбора, кроме как выяснить, как его разобрать.

Теперь конвейер распознавания речи состоит из трех моделей. Первая — акустическая модель, отвечающая за распознавание звуков. Вторая — это языковая модель, которая формирует слова из звуков. И третья — это модель Punctuation, которая добавляет в текст знаки препинания. Мы рассмотрим каждую из этих моделей, но сначала давайте подготовим входные данные.

Для задач ASR первое, что вам нужно сделать, это преобразовать звук в формат, с которым может работать нейросеть. Сам по себе звук сохраняется в памяти компьютера в виде массива значений, показывающих колебания амплитуды во времени. Обычно частота дискретизации исчисляется десятками тысяч точек в секунду (или кГц), а получившийся трек получается очень длинным и сложным для работы. Поэтому перед прогоном через нейросеть звуки предварительно обрабатываются. Они преобразуются в спектрограмму, которая показывает интенсивность звуковых колебаний на различных частотах с течением времени.

Подход с использованием спектрограммы считается консервативным. Есть и другие варианты, такие как wav2vec (который похож на word2vec в НЛП, но для звука). Несмотря на то, что современные модели ASR в настоящее время используют wav2vec, этот подход не обеспечил улучшения качества для нашей архитектуры.

После преобразования необработанного сигнала в удобный формат для использования с нейронными сетями мы готовы распознавать речь, получая вероятностное распределение фонем во времени по звуку.

Большинство подходов сначала создают фонетические транскрипции (по сути, «что слышно, то и написано»), а затем отдельная языковая модель «прочесывает» результат, исправляя грамматические и орфографические ошибки и удаляя лишние буквы.

Марковские модели использовались в качестве простых акустических моделей для распознавания речи (например, в элайнерах). Теперь нейронные сети заменили эти модели для полного распознавания речи, но марковские модели по-прежнему используются, например, для разбиения длинных аудиосигналов на более мелкие фрагменты.

В 2019 году, когда мы активно работали над этим проектом, уже существовало значительное количество архитектур распознавания речи, таких как DeepSpeech3 (SOTA 2018 на основе набора данных LibriSpeech). Он состоит из комбинации двух типов слоев — рекуррентного и сверточного. Повторяющиеся слои позволяют генерировать продолжения фраз с особым вниманием к ранее сгенерированным словам. А сверточные слои отвечают за извлечение признаков из спектрограмм. В статье об этой архитектуре авторы использовали для обучения CTC-loss. Это позволяет модели распознавать такие слова, как «Privye-e-e-et» и «Privyet» (по-английски «Hello-o-o-o» и «Hello») как одно и то же, не спотыкаясь о длину звука. Собственно, эта функция потерь используется и при распознавании рукописных текстов.

Чуть позже был выпущен wav2letter++ от FAIR. Что делало его уникальным, так это то, что он использовал только сверточные слои без авторегрессии (при авторегрессии мы смотрим на ранее сгенерированные слова и последовательно просматриваем их, что замедляет работу нейронной сети). Создатели wav2letter++ сосредоточились на скорости, поэтому он был создан с использованием C++. Мы начали с этой архитектуры при разработке нашего поиска голосовых сообщений.

Использование полностью сверточных подходов открыло новые возможности для исследователей. Вскоре после этого появилась архитектура Jasper, которая также была полностью сверточной, но использовала идею остаточных соединений, как ResNet или трансформаторы. Затем появился QuartzNet от NVIDIA, основанный на Jasper. Это тот, который мы использовали.

Прямо сейчас есть Conformer, который является SOTA-решением на момент написания этой статьи.

Таким образом, независимо от того, какую архитектуру мы выбрали, нейронная сеть получает на вход спектрограмму и выводит матрицу распределения вероятностей каждой фонемы во времени. Эта таблица также называется эмиссионным набором.

Используя жадный декодер, мы уже могли получить ответ из данных эмиссионного множества, выбрав наиболее вероятный звук для каждого момента времени.

Но этот подход мало что знает о правильном написании и, скорее всего, даст ответы с большим количеством ошибок. Чтобы исправить это, мы используем декодирование поиска луча с использованием взвешивания гипотез с использованием языковой модели.

После того, как мы получили набор эмиссий, нам нужно сгенерировать текст. Декодирование выполняется не только с использованием вероятностей, которые дает нам наша акустическая модель. Он также принимает во внимание «мнение» языковой модели. Это может сообщить нам, насколько вероятно встретить такое сочетание символов или слов в языке.

Для декодирования используем алгоритм поиска луча. Идея заключается в том, что мы не только выбираем наиболее вероятный звук для данного момента, но и вычисляем вероятность всей цепочки с учетом предыдущих слов и сохраняем лучших кандидатов на каждом шаге. В результате выбираем наиболее вероятный вариант.

d2l.ai/chapter_recurrent-modern/beam-search.html

При отборе кандидатов мы присваиваем каждому вероятность, принимая во внимание ответы акустической и языковой моделей. Вы можете увидеть формулу на картинке ниже.

Хорошо, мы рассмотрели расшифровку поиска луча. Теперь нам нужно посмотреть, на что способна языковая модель.

В качестве языковой модели мы использовали n-граммы. С точки зрения архитектуры этот подход работает достаточно хорошо, пока мы говорим о серверных (а не мобильных) решениях. Ниже вы можете увидеть пример для n=2.

Что здесь гораздо интереснее, так это то, как мы предварительно обрабатываем данные для обучения.

При письме туда и обратно люди часто используют сокращения, цифры и другие символы. Наша акустическая модель знает только буквы, поэтому в наших обучающих данных нам нужно различать ситуации, когда «1» означает «первый», а когда означает «один» или «один». Трудно найти много текстов с непринужденной речью, где люди пишут «отдайте мне 386 рублей до 20 декабря» вместо «отдайте 386 рублей до 20 декабря». Поэтому мы обучили дополнительную модель нормализации.

В качестве архитектуры мы выбрали трансформатор, который часто используется для машинного перевода. Наша задача по-своему похожа на МТ. Нам нужно перевести денормализованный язык в нормализованный язык, в котором используются только символы алфавита.

Языковая модель дает нам последовательность слов, которые есть в языке и «идут вместе» друг с другом. Его намного легче читать и понимать, чем вывод акустической модели. Но для длинных сообщений результат все равно не очень хорош, потому что может быть некоторая двусмысленность.

После того, как мы получим читаемую строку слов, мы можем добавить знаки препинания. Это особенно полезно, когда текст длинный. Предложения, разделенные точками, читать намного легче, а в русском языке активно используются другие виды пунктуации, например, запятые. Даже в коротких предложениях они должны быть.

Архитектура, на которой основана наша модель пунктуации, представляет собой кодировщик из преобразователя и линейный слой. Он выполняет умную классификацию, предсказывая, нужна ли точка, запятая, тире или двоеточие после каждого слова или нет.

Подход к созданию обучающих данных здесь аналогичен. Мы берем тексты со знаками препинания в них и искусственно «портим» эти данные, убирая знаки препинания. Затем обучаем модель, чтобы вставить их обратно.

Как я упоминал в начале статьи, когда мы начинали наше исследование, в открытых источниках русскоязычных данных для обучения систем распознавания речи не было. Какое-то время мы экспериментировали с английским языком. Затем мы пришли к пониманию, что в любом случае нам нужны записи как можно более непринужденной речи, а не профессионально прочитанные аудиокниги, как в LibriSpeech.

В конце концов, мы решили сами собирать данные для обучения. Для этого мы привлекли Тестеров ВКонтакте. Мы готовили короткие тексты из 3–30 слов, которые нам диктовали в голосовых сообщениях. Тексты, которые должны были быть записаны, мы создавали сами на отдельной модели, которую обучали на комментариях публичных сообществ. Таким образом, мы получили дистрибутив из того же домена, где распространены сленг и случайная речь. Мы попросили тестировщиков записывать голосовые сообщения в различных условиях и говорить как обычно, чтобы наши обучающие данные максимально походили на то, что будет использоваться в реальных жизненных ситуациях.

Как всем известно, путь от описанных в статьях моделей (и даже их реализации специалистами по машинному обучению) до реального использования машинного обучения в продакшене — долгий путь. Поэтому наша инфраструктурная команда ВКонтакте начала работу над сервисом распознавания голосовых сообщений в самом начале 2020 года, когда у нас еще была первая версия модели.

Команда по инфраструктуре помогла превратить наши решения машинного обучения в высоконагруженный, надежный сервис с высокой производительностью и эффективным использованием серверных ресурсов.

Одна из проблем заключалась в том, что мы в исследовательской группе работаем с файлами моделей и кодом C++, который их запускает. Но инфраструктура ВКонтакте в основном написана на Go, и нашим коллегам нужно было найти способ заставить C++ работать с Go. Для этого мы использовали расширение CGO, чтобы код более высокого уровня можно было писать на Go, а декодирование и общение с моделями оставалось на C++.

Наша следующая задача заключалась в том, чтобы обрабатывать голосовые сообщения в течение нескольких секунд, но заставить эту обработку работать с ограничениями нашего оборудования и эффективно использовать ресурсы сервера. Чтобы это стало возможным, мы сделали так, чтобы распознавание голоса работало на тех же серверах, что и другие сервисы. Это вызвало проблему с общим доступом к ядрам GPU и CUDA из нескольких процессов. Мы решили эту проблему с помощью технологии MPS от NVIDIA. MPS сводит к минимуму влияние блоков и простоев, позволяя нам использовать видеокарту на полную катушку без необходимости переписывать клиент.

Другим важным моментом, который следует учитывать, является группировка данных в пакеты для эффективной обработки на графическом процессоре. Дело в том, что в пакете акустической модели все аудиофайлы должны быть одинаковой длины. Поэтому нам нужно было уравнять их, добавив нули к более коротким дорожкам. Однако они также проходят через акустическую модель и занимают ресурсы GPU. В результате выравнивания на разбор коротких сообщений уходило больше времени и ресурсов.

Полностью избавиться от лишних нулей невозможно из-за вариативности длины записи, но их количество можно уменьшить. Для этого инфраструктурная команда придумала способ разбивать длинные голосовые сообщения на 23-25-секундные фрагменты, сортировать все треки и группировать похожие по длине в небольшие пакеты, которые уже находятся в пути для отправки через сеть. видеокарта. Это разделение голосовых сообщений было сделано с помощью алгоритма VAD от WebRTC. Он помогает распознавать паузы и отправляет в акустическую модель полные слова, а не их фрагменты. Продолжительность 23–25 секунд была выбрана в результате экспериментов. Более короткие фрагменты вызывали снижение показателей качества распознавания, а более длинные требовалось чаще выравнивать .

Подход с разбиением длинных записей, помимо оптимизации производительности, позволил нам транскрибировать аудио практически любой длины в текст и открыл поле для экспериментов с ASR для других задач продукта, таких как автоматические субтитры.

В июне 2020 года мы запустили в производство распознавание голосовых сообщений для сообщений длиной до 30 секунд (в эту продолжительность укладывается около 90% всех таких сообщений). Затем мы оптимизировали сервис, интегрировав более интеллектуальный способ нарезки треков. С ноября 2020 года мы можем распознавать голосовые сообщения продолжительностью до двух минут (9 минут).9% всех голосовых сообщений). Наша инфраструктура готова к будущим проектам и позволит нам обрабатывать аудиофайлы продолжительностью в несколько часов.

Конечно, с момента запуска год назад многое изменилось. Мы обновили архитектуру акустической и языковой модели и добавили шумоподавление.

На данный момент весь пайплайн выглядит так:

  1. Получаем звуковую дорожку, предварительно ее обрабатываем и превращаем в спектрограмму.
  2. Если трек длиннее 25 секунд, мы разрезаем его с помощью VAD на фрагменты по 23–25 секунд. Этот вариант помогает нам не сокращать слова пополам.
  3. Далее все фрагменты прогоняются через акустическую (на основе QuartzNet) и языковую (с использованием n-грамм) модели.
  4. Затем все фрагменты собираются вместе и проходят через модель пунктуации с помощью нашей пользовательской архитектуры. Перед этим этапом мы также разбиваем слишком длинные тексты на сегменты по 400 слов.
  5. Мы объединяем все сегменты и даем пользователю расшифровку текста, которую он может быстро прочитать в любое время и в любом месте, экономя свое время.

Все это вместе образует уникальную услугу. Он может не только распознавать обыденную речь, сленг, ругательства и новые слова в шумной обстановке, но делает это быстро и эффективно. Вот процентили полного времени обработки голосового сообщения (без учета загрузки и отправки клиенту):

  • 95-й процентиль: 1,5 секунды
  • 99-й процентиль: 1,9 секунды
  • 99,9-й процентиль: 2,5 секунды количество голосовых сообщений, отправляемых во «ВКонтакте», выросло на 24% по сравнению с прошлым годом. Ежемесячно 33 миллиона человек слушают и отправляют голосовые сообщения. Для нас это означает, что нашим пользователям нужны голосовые технологии и стоит инвестировать в разработку новых решений.

    Существует множество возможностей и перспектив для ASR. Чтобы оценить перспективы его внедрения в ваш продукт, у вас нет большого штата исследователей. Для начала можно попробовать доработать решения с открытым исходным кодом под свои задачи, а затем проводить собственные исследования и создавать новые технологии.

    Идеи расписной мебели | Как выбрать ЛУЧШИЙ поддон для ваших проектов

    Опубликовано

    При использовании поддона в ремесленных и самодельных проектах вы можете следить за этими возможными загрязнениями, связанными с различными типами древесины, используемой для изготовления поддонов. Эта статья поможет вам узнать, как выбрать лучший поддон для вашего следующего проекта «сделай сам».

    Обработанная под давлением и фумигированная древесина

    Некоторые производители поддонов используют давление для проникновения в древесину химических веществ, таких как формальдегид, для предотвращения гниения и заражения вредителями. Однако по этой причине вы можете не захотеть использовать эти химически обработанные поддоны внутри своего дома. Кроме того, окуренная древесина обрабатывается пестицидами, что также не очень хорошо с точки зрения здоровья.

    Не отказывайтесь от своих проектов с поддонами! Есть много поддонов, которые не сделаны из обработанной под давлением или фумигированной древесины.

    Если вы не знаете, как отличить обработанную под давлением древесину, один из способов идентифицировать поддоны, которые вы, возможно, не хотите использовать в домашнем декоре и мебельных проектах, — это найти логотип IPPC, который можно найти на большинстве поддонов. Рядом с логотипом IPPC, если вы найдете: HT — это означает, что поддон был нагрет до 60 градусов в течение 30 минут, поэтому его можно использовать.

    MB — Это указывает на то, что поддон был обработан токсичным пестицидом, бромистым метилом. Вы можете увидеть эту маркировку на некоторых старых поддонах, поскольку в настоящее время этот процесс не используется большинством производителей поддонов. Эти поддоны часто из Азии. Когда ваша кожа вступает в контакт с этим химическим веществом, вы можете почувствовать жжение или покраснение. Вдыхание химического вещества сопровождается головокружением, головной болью, рвотой, затрудненным дыханием и даже потерей координации.

    KD- высушивается в печи, что означает, что они помещают поддон в печь, чтобы высушить его и удалить влагу, таким образом предотвращая рост грибка. Однако это не означает, что поддон представляет собой «термически обработанную» древесину. Это хороший поддон для проектов «сделай сам», для которых не требуется термообработанная древесина.

    Загрязнение

    Вы также можете рассмотреть источник ваших поддонов (однако компании склонны повторно использовать поддоны, поэтому это может быть трудно определить) и каким типам загрязнения ваши поддоны могли подвергаться.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *