| DC Field | Value | Language |
|---|
| dc.contributor.author | Мырадов, М. Т. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2025-05-05T06:20:07Z | - |
| dc.date.available | 2025-05-05T06:20:07Z | - |
| dc.date.issued | 2025 | - |
| dc.identifier.citation | Мырадов, М. Т. Архитектура Transformer для преобразования голоса в текст = Transformer architecture for voice-to-text conversion / М. Т. Мырадов // Big Data и анализ высокого уровня = Big Data and Advanced Analytics : сборник научных статей XI Международной научно-практической конференции, Республика Беларусь, Минск, 23–24 апреля 2025 года / Белорусский государственный университет информатики и радиоэлектроники [и др.] ; редкол.: В. А. Богуш [и др.]. – Минск, 2025. – С. 135–138. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/59696 | - |
| dc.description.abstract | Архитектура Transformer успешно применяется для преобразования голоса в текст
благодаря своей способности эффективно обрабатывать последовательности данных. Модель использует
механизмы внимания (self-attention) для выявления зависимости между элементами входных данных, что
повышает точность распознавания речи. Такой подход позволяет системе обучаться на больших объемах
аудиоданных и добиваться высокой производительности в реальных приложениях. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | материалы конференций | en_US |
| dc.subject | архитектура Transformer | en_US |
| dc.subject | преобразование речи в текст | en_US |
| dc.subject | распознавание речи | en_US |
| dc.subject | self-attention | en_US |
| dc.title | Архитектура Transformer для преобразования голоса в текст | en_US |
| dc.title.alternative | Transformer architecture for voice-to-text conversion | en_US |
| dc.type | Article | en_US |
| local.description.annotation | The Transformer architecture is successfully applied to speech-to-text conversion due to its ability
to efficiently process data sequences. The model uses self-attention mechanisms to identify dependencies between
input data elements, which improves speech recognition accuracy. This approach allows the system to be trained on
large volumes of audio data and achieve high performance in real-world applications. | en_US |
| Appears in Collections: | BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : сборник научных статей (2025)
|
