HiFi-GAN评述：用于高效和高保真语音合成的生成对抗网络
长期以来，神经声码器迫使你选择一方：像WaveNet这样的自回归模型给你华丽的音频但速度缓慢，而基于GAN的波形生成器很快但质量明显较低。
披露 OpenAI GPT-4 的视觉+文本模型、数据和训练成本（推测）
众所周知，OpenAI 拒绝披露 GPT-4 的架构、参数数量、训练数据或计算预算，这使得技术报告成为 ML 社区的罗夏测试。
![[Olewave's Review] AudioLM: a Language Modeling Approach to Audio Generation](/media/video/2023/03/olewaves-review-audiolm-a-language-modeling-approach-to-audio-generation/preview.jpg)
OpenAI 的 GPT-3 深度评论：语言模型是少次学习者（第 3/3 部分：结果和其他）
这个三部分 GPT-3 深度讨论的最后一部分到达了精彩部分：当您在基准套件上投入 1750 亿个参数并完全跳过微调时实际会发生什么。
![[10 mins] Explain Why OpenAI's Whisper API Isn't As Good As ChatGPT](/media/video/2023/03/10-mins-explain-why-openais-whisper-api-isnt-as-good-as-chatgpt/preview.jpg)
[10分钟] 解释为什么OpenAI的Whisper API不如ChatGPT
Whisper引起了轰动，但它并没有像GPT-3改造NLP那样改造ASR，这个十分钟的评论论证原因就在论文本身。
VALL-E 深度评测：神经编解码语言模型零样本文本转语音合成器
从三秒参考音频片段实现零样本 TTS 曾看似不可能，直到 VALL-E 问世。这篇深度评测深入揭示了微软是如何做到的。
ChatGPT/ChatGPT Plus/InstructGPT：用人类反馈训练语言模型以遵循指令
ChatGPT 产品背后是 InstructGPT 论文，这次详细评测拆解了如何将原始 GPT-3 转变为人们真正想对话的系统的流程。
![[Olewave's Review] CLIP (3/3): Learning Transferable Visual Models From Natural Language Supervision](/media/video/2023/01/olewaves-review-clip-3-3-learning-transferable-visual-models-from-natural-language/preview.jpg)
[Olewave评论] CLIP (3/3): 从自然语言监督学习可转移的视觉模型
CLIP评论的最后一部分聚焦于结果部分，这是OpenAI对比图文模型从有趣想法转变为整个多模态堆栈基础原语的时刻。
![[Olewave's Review] CLIP (2/3): Learning Transferable Visual Models From Natural Language Supervision](/media/video/2023/01/olewaves-review-clip-2-3-learning-transferable-visual-models-from-natural-language/preview.jpg)
[Olewave评论] CLIP (2/3): 从自然语言监督学习可转移的视觉模型
OpenAI的CLIP通过抛弃固定标签集，转而在从互联网上抓取的4亿个(图像、文本)对上进行训练，改变了计算机视觉的游戏规则。
![[Olewave's Review] CLIP (1/3): Learning Transferable Visual Models From Natural Language Supervision](/media/video/2022/12/olewaves-review-clip-1-3-learning-transferable-visual-models-from-natural-language/preview.jpg)
![[Olewave's Review] Token-level Sequence Labeling for SLU using Compositional E2E Models](/media/video/2022/12/olewaves-review-token-level-sequence-labeling-for-slu-using-compositional-e2e-models/preview.jpg)
[Olewave评论] 使用组合式端到端模型进行SLU的Token级序列标签
端到端SLU正在蓬勃发展，但将序列标签视为序列预测却悄悄地丢弃了数十年来被充分理解的token级标签机制。
![[Olewave's Review] Branchformer: Parallel MLP-Attention Architectures, and E-Branchformer](/media/video/2022/11/olewaves-review-branchformer-parallel-mlp-attention-architectures-and-e-branchformer/preview.jpg)
[Olewave的评论] Branchformer：并行MLP-注意力架构和E-Branchformer
Conformer多年来一直是ASR编码器的标杆，但Branchformer及其后续产品E-Branchformer有力地论证了顺序卷积加注意力并不是唯一的路径。
非冲突误发音添加（NCMA）用于口音ASR
带口音和非母语的语音会以隐蔽的方式破坏发音字典，从而污染你的声学模型对齐，这项Interspeech 2021的工作提出了一个看似简单的问题：如果我们只是将检测到的
![[Olewave's Review] OpenAI's Whisper ASR: Robust Speech Recognition via Large-Scale Weak Supervision](/media/video/2022/10/olewaves-review-openais-whisper-asr-robust-speech-recognition-via-large-scale-weak/preview.jpg)
[Olewave的评论] OpenAI的Whisper ASR：通过大规模弱监督实现鲁棒语音识别
当OpenAI发布Whisper时，ASR社区不得不面对一个在680,000小时的多语言、多任务、网络爬取音频上训练的系统，该系统在口音、背景噪音和技术方面开箱即用
Olewave的最详细RNN-T说明：使用递归神经网络进行序列转导
Alex Graves的RNN-T论文是如今几乎所有流式ASR系统的隐形祖先，从Google的设备端识别器到NeMo、ESPnet等中的无数开源转导器堆栈。
Google因Blake Lemoine声称AI机器人有意识而解雇他？LaMDA或ChatGPT能像人类一样思考吗？
当Google因Blake Lemoine公开声称LaMDA已具备意识而解雇他时，这个故事火遍网络，但根本问题却挥之不去：LaMDA和ChatGPT这样的大型语言模型真的会思考吗，
![[Olewave's Long Review] Efficient Training of Neural Transducer for Speech Recognition](/media/video/2022/07/olewaves-long-review-efficient-training-of-neural-transducer-for-speech-recognition/preview.jpg)
[Olewave的长篇评论] 语音识别神经转导器的高效训练
神经转导器是流式ASR的主力，但有效地训练它们是出了名的痛苦：RNN-T损失在序列长度上具有立方内存，对齐格在长语音上爆炸，而单
![[Olewave's Long Review] Xception: Deep Learning with Depthwise Separable Convolutions](/media/video/2022/07/olewaves-long-review-xception-deep-learning-with-depthwise-separable-convolutions/preview.jpg)
[Olewave长评] Xception: 具有深度可分卷积的深度学习
Xception将Inception假设推向了逻辑极端,通过将跨通道和空间相关性分解为完全独立的操作,而它推广的深度可分卷积现在随处可见
![[Olewave's Short Review] Xception: Deep Learning with Depthwise Separable Convolutions](/media/video/2022/07/olewaves-short-review-xception-deep-learning-with-depthwise-separable-convolutions/preview.jpg)
