N'oubliez pas de nous ajouter aux favoris !

Glossaire

Perte CTC Expliquée — Comment l'ASR moderne apprend sans trames étiquetées

La perte de Classification Temporelle Connectionniste (CTC) est un objectif d'entraînement qui a révolutionné la reconnaissance vocale. Elle permet à un réseau de neurones d'apprendre à mapper une séquence audio (T trames) vers une séquence de texte (U caractères) sans avoir besoin d'étiquettes par trame exactes. Avant CTC, l'ASR nécessitait un alignement phonémique milliseconde par milliseconde fastidieux de chaque exemple d'entraînement ; CTC a permis aux chercheurs de s'entraîner sur des paires (audio, texte) et de laisser le réseau découvrir l'alignement lui-même.

Le problème que CTC résout

Le défi de la reconnaissance vocale : l'entrée est une longue séquence de trames audio (T = milliers), la sortie est une courte séquence de caractères ou de mots (U = centaines). La mise en correspondance est de plusieurs vers un (plusieurs trames par caractère) et vous ne savez pas quelles trames correspondent à quels caractères dans vos données d'entraînement. Le CTC introduit un symbole vide ∅ et permet au réseau de sortie toute séquence de niveau de trame qui se contracte en texte cible après suppression des répétitions et des vides. La perte s'étend sur tous les alignements valides.

Comment CTC a changé l'ASR

Avant CTC (avant 2006) : systèmes hybrides HMM-DNN, pré-entraînés sur des séquences de phonèmes alignées, décodés avec un modèle de langage séparé. Après CTC : systèmes de bout en bout où un réseau de neurones lit l'audio et produit du texte directement. CTC seul est maintenant éclipsé par l'attention des transformateurs (utilisée dans Whisper) — mais CTC était la porte d'entrée, et les modèles basés sur CTC (DeepSpeech, wav2vec 2.0) sont encore livrés en production pour des cas d'utilisation à faible latence.

CTC vs attention

La reconnaissance automatique de la parole moderne utilise l'un des deux paradigmes (ou hybride). CTC: monotone, rapide (chaque jeton de sortie est indépendant étant donné l'audio), idéal pour le streaming/temps réel. Attention: non monotone, plus lent (décodeur auto-régressif), meilleur pour le contexte à long terme, utilisé par Whisper. Les hybrides RNN-T / CTC-attention combinent les deux. Pour notre cas d'utilisation (hors ligne, priorité à la précision), les modèles d'attention pure comme Whisper gagnent. Pour les sous-titres en direct, CTC ou RNN-T sont encore préférés.

En pratique

Lors de l'entraînement de Whisper, OpenAI a utilisé un encodeur-décodeur transformateur avec attention croisée — pas de CTC pur. Mais la lignée conceptuelle passe par CTC : c'était la première preuve qu'un réseau de neurones pouvait apprendre à lire la parole sans phonèmes alignés à la main, ouvrant la voie à l'ASR transformateur de bout en bout que nous utilisons aujourd'hui.

Termes associés

Lectures complémentaires

Essayez l'ASR moderne

Commencez — gratuitement

Dernière mise à jour : 16 novembre 2026

Questions Fréquemment Posées

Que signifie Perte CTC en transcription ?

Perte de Classification Temporelle Connectionniste — un objectif d'entraînement qui permet aux réseaux ASR d'apprendre les alignements entre les trames audio et les caractères sans étiquettes par trame. A révolutionné la reconnaissance vocale de bout en bout.

Pourquoi Perte CTC critère lors du choix d'un flux de travail de transcription ?

Perte CTC Affecte la manière dont vous comprenez la qualité de la transcription, le timing, la compatibilité ou la technologie derrière les résultats de la transcription vocale.

Où puis-je appliquer Perte CTC sur Transcript.you ?

Utilisez le flux de travail associé à /ai-transcription lorsque vous souhaitez voir comment ce concept de glossaire se connecte à une tâche de transcription réelle.