02: Task of Automatic Speech Recognition (ASR) System
3-Second Blueprint (English)
- Continuous audio is sliced into overlapping windows—typically 25 ms frames shifted every 10 ms—to preserve signal continuity.
- FFT spectra pass through Mel filterbanks and a log transform to yield ~80-dimensional log-Mel features matching human pitch.
- ASR architectures divide into modular pipelines (acoustic, pronunciation, language models) and unified end-to-end neural nets.
Automatic Speech RecognitionLog-Mel SpectrogramFast Fourier TransformEnd-to-End Neural ASR
3-Sekunden-Fazit (Deutsch)
- Kontinuierliches Audio wird in überlappende Fenster zerlegt – typischerweise 25 ms Länge bei 10 ms Vorschub.
- FFT-Spektren durchlaufen Mel-Filterbänke und Logarithmierung zu ~80-dimensionalen Log-Mel-Merkmalen analog zum Gehör.
- ASR-Systeme gliedern sich in modulare Pipelines (Akustik-, Aussprache-, Sprachmodell) und durchgängige End-to-End-Netze.
Spracherkennung (ASR)Log-Mel-MerkmaleFourier-TransformationEnd-to-End-ASR
Note / Hinweis: Blueprints are AI-generated educational summaries (0% Politics · 0% Religion · 0% Brainrot) and do not constitute medical, legal, or financial advice. / KI-generierte Zusammenfassung zu Bildungszwecken – ersetzt keine medizinische, rechtliche oder finanzielle Fachberatung.