Machine Learning / AI

В TTS пайплайна обучението стана три пъти по-бавно, натоварване на GPU 20%, памет на GPU 90%. Как да открием проблема?

Дали резултатът от съгласуването и WER са едни и същи?

Могут ли изменения в инференсе вызывать пропуски слов и повторы фраз, и в какой части?

MOS се увеличи от 4.1 до 4.3, но моделът понякога пропуска думи и повтаря фрази. Какво да правим?

Защо някой може да избере модел A с WER 3% вместо модел B с WER 2%?

Какво означава WER = 0,05?

# Завършете този метод def __init__(self, nums: List[float]): pass # Завършете този метод def dot_product(self, vec: 'SparseVector') -> float: pass

Как да оценим качеството на модел на TTS?

Необходимо ли е да се извършва нормализиране на текста по време на предварителната обработка или при inference?

Винаги ли е необходимо да преобразувате текста във фонеми?

Какво ще се случи, ако PCM е записан на 8 kHz, но заглавието на WAV указва 48 kHz, и как ще звучи това?

Разкажете ни за вашия опит с TTS.

Как да подготвите 5000 часа речеви данни с неизвестно качество за обучение на TTS?

Провеждали ли сте A/B тестове независимо или заедно с аналитиката?

Middle

ВкусВилл

Какви са контекстните мениджъри в Python, за какво се използват и къде се използват?

Как се различава DDP от DataParallel?

Какво е градиентният буустинг и как работи?

Как работи извикването на инструменти в LLM?

Кои параметри трябва да се използват за оценка на паметта за inference на LLM и кои архитектурни оптимизации намаляват KV-кеша?

Може ли семантичното търсене да бъде конфигурирано за новинарски RAG, за да отговори кой в момента притежава Персийския залив по време на нередовни събития?