<?xml version="1.0" encoding="UTF-8" ?>
<rss version="2.0">
    <channel>
      <title>ASR Knowledge Base | پایگاه دانش بازشناسی گفتار</title>
      <link>https://arsalandalvand.github.io/automatic-speech-recognition-kb</link>
      <description>Last 10 notes on ASR Knowledge Base | پایگاه دانش بازشناسی گفتار</description>
      <generator>Quartz -- quartz.jzhao.xyz</generator>
      <item>
    <title>index</title>
    <link>https://arsalandalvand.github.io/automatic-speech-recognition-kb/</link>
    <guid>https://arsalandalvand.github.io/automatic-speech-recognition-kb/</guid>
    <description><![CDATA[ Automatic Speech Recognition Knowledge Base (ASR &amp; OpenAI Whisper) پایگاه دانش جامع بازشناسی خودکار گفتار و معماری ویسپر English Documentation | راهنمای فارسی 🇬🇧 English A comprehensive, zero-knowledge, source-grounded Obsidian knowledge base explaining the complete journey from continuous phy... ]]></description>
    <pubDate>Sat, 29 Aug 2026 01:08:59 GMT</pubDate>
  </item><item>
    <title>README.fa</title>
    <link>https://arsalandalvand.github.io/automatic-speech-recognition-kb/README.fa</link>
    <guid>https://arsalandalvand.github.io/automatic-speech-recognition-kb/README.fa</guid>
    <description><![CDATA[ پایگاه دانش بازشناسی گفتار (از سیگنال صوتی تا متن در OpenAI Whisper) Automatic Speech Recognition Knowledge Base یک پایگاه دانش جامع، مستند و صفر تا صدی در قالب Obsidian که کل مسیر تبدیل امواج صوتی فیزیکی به متن خروجی در مدل OpenAI Whisper را تشریح می‌کند. ]]></description>
    <pubDate>Sat, 29 Aug 2026 01:08:59 GMT</pubDate>
  </item><item>
    <title>README</title>
    <link>https://arsalandalvand.github.io/automatic-speech-recognition-kb/README</link>
    <guid>https://arsalandalvand.github.io/automatic-speech-recognition-kb/README</guid>
    <description><![CDATA[ Automatic Speech Recognition Knowledge Base (ASR &amp; OpenAI Whisper) پایگاه دانش جامع بازشناسی خودکار گفتار و معماری ویسپر English Documentation | راهنمای فارسی 🇬🇧 English A comprehensive, zero-knowledge, source-grounded Obsidian knowledge base explaining the complete journey from continuous phy... ]]></description>
    <pubDate>Sat, 29 Aug 2026 01:08:59 GMT</pubDate>
  </item><item>
    <title>اتصالات باقی‌مانده، نرمال‌سازی لایه، تابع فعال‌ساز GELU و پرسپترون چندلایه</title>
    <link>https://arsalandalvand.github.io/automatic-speech-recognition-kb/fa/30-%D9%85%D8%B9%D9%85%D8%A7%D8%B1%DB%8C-%D9%88%DB%8C%D8%B3%D9%BE%D8%B1/%D8%A7%D8%AA%D8%B5%D8%A7%D9%84%D8%A7%D8%AA-%D8%A8%D8%A7%D9%82%DB%8C%E2%80%8C%D9%85%D8%A7%D9%86%D8%AF%D9%87%D8%8C-%D9%86%D8%B1%D9%85%D8%A7%D9%84%E2%80%8C%D8%B3%D8%A7%D8%B2%DB%8C-%D9%84%D8%A7%DB%8C%D9%87%D8%8C-%D8%AA%D8%A7%D8%A8%D8%B9-%D9%81%D8%B9%D8%A7%D9%84%E2%80%8C%D8%B3%D8%A7%D8%B2-GELU-%D9%88-%D9%BE%D8%B1%D8%B3%D9%BE%D8%AA%D8%B1%D9%88%D9%86-%DA%86%D9%86%D8%AF%D9%84%D8%A7%DB%8C%D9%87</link>
    <guid>https://arsalandalvand.github.io/automatic-speech-recognition-kb/fa/30-%D9%85%D8%B9%D9%85%D8%A7%D8%B1%DB%8C-%D9%88%DB%8C%D8%B3%D9%BE%D8%B1/%D8%A7%D8%AA%D8%B5%D8%A7%D9%84%D8%A7%D8%AA-%D8%A8%D8%A7%D9%82%DB%8C%E2%80%8C%D9%85%D8%A7%D9%86%D8%AF%D9%87%D8%8C-%D9%86%D8%B1%D9%85%D8%A7%D9%84%E2%80%8C%D8%B3%D8%A7%D8%B2%DB%8C-%D9%84%D8%A7%DB%8C%D9%87%D8%8C-%D8%AA%D8%A7%D8%A8%D8%B9-%D9%81%D8%B9%D8%A7%D9%84%E2%80%8C%D8%B3%D8%A7%D8%B2-GELU-%D9%88-%D9%BE%D8%B1%D8%B3%D9%BE%D8%AA%D8%B1%D9%88%D9%86-%DA%86%D9%86%D8%AF%D9%84%D8%A7%DB%8C%D9%87</guid>
    <description><![CDATA[ اتصالات باقی‌مانده، نرمال‌سازی لایه، تابع فعال‌ساز GELU و پرسپترون چندلایه (Residual Connections, LayerNorm, GELU, and MLP) تعریف بنیادین هر بلوک ترنسفورمر در مدل ویسپر، به شکلی موزون و متناوب میان مکانیزم توجه و یک پرسپترون چندلایه موضعی (Position-wise MLP) در نوسان است؛ ساختاری نظام‌مند که در آن پ... ]]></description>
    <pubDate>Sat, 29 Aug 2026 01:08:59 GMT</pubDate>
  </item><item>
    <title>بلوک‌های کدگذار ترنسفورمر</title>
    <link>https://arsalandalvand.github.io/automatic-speech-recognition-kb/fa/30-%D9%85%D8%B9%D9%85%D8%A7%D8%B1%DB%8C-%D9%88%DB%8C%D8%B3%D9%BE%D8%B1/%D8%A8%D9%84%D9%88%DA%A9%E2%80%8C%D9%87%D8%A7%DB%8C-%DA%A9%D8%AF%DA%AF%D8%B0%D8%A7%D8%B1-%D8%AA%D8%B1%D9%86%D8%B3%D9%81%D9%88%D8%B1%D9%85%D8%B1</link>
    <guid>https://arsalandalvand.github.io/automatic-speech-recognition-kb/fa/30-%D9%85%D8%B9%D9%85%D8%A7%D8%B1%DB%8C-%D9%88%DB%8C%D8%B3%D9%BE%D8%B1/%D8%A8%D9%84%D9%88%DA%A9%E2%80%8C%D9%87%D8%A7%DB%8C-%DA%A9%D8%AF%DA%AF%D8%B0%D8%A7%D8%B1-%D8%AA%D8%B1%D9%86%D8%B3%D9%81%D9%88%D8%B1%D9%85%D8%B1</guid>
    <description><![CDATA[ بلوک‌های کدگذار ترنسفورمر (Transformer Encoder Blocks) تعریف بنیادین یک بلوک کدگذار ترنسفورمر (Transformer Encoder Block)، بازنمایی تمامی موقعیت‌های زمانی سیگنال صوتی را از طریق تلفیق مکانیزم خودتوجهی (Self-Attention) و یک پرسپترون چندلایه موضعی (Position-wise MLP) پالایش و به‌روزرسانی می‌کند. ]]></description>
    <pubDate>Sat, 29 Aug 2026 01:08:59 GMT</pubDate>
  </item><item>
    <title>تشخیص زبان و انتخاب وظیفه</title>
    <link>https://arsalandalvand.github.io/automatic-speech-recognition-kb/fa/30-%D9%85%D8%B9%D9%85%D8%A7%D8%B1%DB%8C-%D9%88%DB%8C%D8%B3%D9%BE%D8%B1/%D8%AA%D8%B4%D8%AE%DB%8C%D8%B5-%D8%B2%D8%A8%D8%A7%D9%86-%D9%88-%D8%A7%D9%86%D8%AA%D8%AE%D8%A7%D8%A8-%D9%88%D8%B8%DB%8C%D9%81%D9%87</link>
    <guid>https://arsalandalvand.github.io/automatic-speech-recognition-kb/fa/30-%D9%85%D8%B9%D9%85%D8%A7%D8%B1%DB%8C-%D9%88%DB%8C%D8%B3%D9%BE%D8%B1/%D8%AA%D8%B4%D8%AE%DB%8C%D8%B5-%D8%B2%D8%A8%D8%A7%D9%86-%D9%88-%D8%A7%D9%86%D8%AA%D8%AE%D8%A7%D8%A8-%D9%88%D8%B8%DB%8C%D9%81%D9%87</guid>
    <description><![CDATA[ تشخیص زبان و انتخاب وظیفه (Language Detection and Task Selection) تعریف مدل چندزبانه ویسپر (Multilingual Whisper) برای تشخیص زبان گفتار، به جای اتکا به یک طبقه‌بند صوتی مستقل، توکن شناسه زبان را بلافاصله پس از توکن آغازین &lt;|startoftranscript|&gt; پیش‌بینی می‌کند؛ سپس با نشاندن صریح توکن‌های زبان ... ]]></description>
    <pubDate>Sat, 29 Aug 2026 01:08:59 GMT</pubDate>
  </item><item>
    <title>توجه متقابل - اتصال متن به صوت</title>
    <link>https://arsalandalvand.github.io/automatic-speech-recognition-kb/fa/30-%D9%85%D8%B9%D9%85%D8%A7%D8%B1%DB%8C-%D9%88%DB%8C%D8%B3%D9%BE%D8%B1/%D8%AA%D9%88%D8%AC%D9%87-%D9%85%D8%AA%D9%82%D8%A7%D8%A8%D9%84---%D8%A7%D8%AA%D8%B5%D8%A7%D9%84-%D9%85%D8%AA%D9%86-%D8%A8%D9%87-%D8%B5%D9%88%D8%AA</link>
    <guid>https://arsalandalvand.github.io/automatic-speech-recognition-kb/fa/30-%D9%85%D8%B9%D9%85%D8%A7%D8%B1%DB%8C-%D9%88%DB%8C%D8%B3%D9%BE%D8%B1/%D8%AA%D9%88%D8%AC%D9%87-%D9%85%D8%AA%D9%82%D8%A7%D8%A8%D9%84---%D8%A7%D8%AA%D8%B5%D8%A7%D9%84-%D9%85%D8%AA%D9%86-%D8%A8%D9%87-%D8%B5%D9%88%D8%AA</guid>
    <description><![CDATA[ توجه متقابل - اتصال متن به صوت (Cross-Attention - Connecting Text to Audio) تعریف بنیادین سازوکار توجه متقابل (Cross-Attention) به‌مثابه پلی ارتباطی میان دو مدالیته صوت و متن عمل می‌کند و به هر موقعیت در کدگشای متنی امکان می‌دهد تا از «حافظه صوتی کدگذار» پرس‌وجو کند. ]]></description>
    <pubDate>Sat, 29 Aug 2026 01:08:59 GMT</pubDate>
  </item><item>
    <title>توجه چندسر</title>
    <link>https://arsalandalvand.github.io/automatic-speech-recognition-kb/fa/30-%D9%85%D8%B9%D9%85%D8%A7%D8%B1%DB%8C-%D9%88%DB%8C%D8%B3%D9%BE%D8%B1/%D8%AA%D9%88%D8%AC%D9%87-%DA%86%D9%86%D8%AF%D8%B3%D8%B1</link>
    <guid>https://arsalandalvand.github.io/automatic-speech-recognition-kb/fa/30-%D9%85%D8%B9%D9%85%D8%A7%D8%B1%DB%8C-%D9%88%DB%8C%D8%B3%D9%BE%D8%B1/%D8%AA%D9%88%D8%AC%D9%87-%DA%86%D9%86%D8%AF%D8%B3%D8%B1</guid>
    <description><![CDATA[ توجه چندسر (Multi-Head Attention) تعریف بنیادین سازوکار توجه چندسر (Multi-Head Attention) محاسبات توجه را به چندین زیرفضای مستقل و کوچک‌تر (سرهای توجه) تقسیم کرده و آن‌ها را به‌طور موازی اجرا می‌کند؛ سپس خروجی این سرها را در امتداد بعد ویژگی‌ها به یکدیگر پیوند داده (Concatenate) و در نهایت با یک تبد... ]]></description>
    <pubDate>Sat, 29 Aug 2026 01:08:59 GMT</pubDate>
  </item><item>
    <title>توکن‌ها، الگوریتم BPE در سطح بایت و توکن‌های ویژه</title>
    <link>https://arsalandalvand.github.io/automatic-speech-recognition-kb/fa/30-%D9%85%D8%B9%D9%85%D8%A7%D8%B1%DB%8C-%D9%88%DB%8C%D8%B3%D9%BE%D8%B1/%D8%AA%D9%88%DA%A9%D9%86%E2%80%8C%D9%87%D8%A7%D8%8C-%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85-BPE-%D8%AF%D8%B1-%D8%B3%D8%B7%D8%AD-%D8%A8%D8%A7%DB%8C%D8%AA-%D9%88-%D8%AA%D9%88%DA%A9%D9%86%E2%80%8C%D9%87%D8%A7%DB%8C-%D9%88%DB%8C%DA%98%D9%87</link>
    <guid>https://arsalandalvand.github.io/automatic-speech-recognition-kb/fa/30-%D9%85%D8%B9%D9%85%D8%A7%D8%B1%DB%8C-%D9%88%DB%8C%D8%B3%D9%BE%D8%B1/%D8%AA%D9%88%DA%A9%D9%86%E2%80%8C%D9%87%D8%A7%D8%8C-%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85-BPE-%D8%AF%D8%B1-%D8%B3%D8%B7%D8%AD-%D8%A8%D8%A7%DB%8C%D8%AA-%D9%88-%D8%AA%D9%88%DA%A9%D9%86%E2%80%8C%D9%87%D8%A7%DB%8C-%D9%88%DB%8C%DA%98%D9%87</guid>
    <description><![CDATA[ توکن‌ها، الگوریتم BPE در سطح بایت و توکن‌های ویژه (Tokens, Byte-Level BPE, and Special Tokens) تعریف معماری ویسپر (Whisper) در خروجی خود شناسه‌های عددی گسسته توکن‌ها (Token IDs) را پیش‌بینی می‌کند. ]]></description>
    <pubDate>Sat, 29 Aug 2026 01:08:59 GMT</pubDate>
  </item><item>
    <title>توکن‌های برچسب زمانی و هم‌ترازی</title>
    <link>https://arsalandalvand.github.io/automatic-speech-recognition-kb/fa/30-%D9%85%D8%B9%D9%85%D8%A7%D8%B1%DB%8C-%D9%88%DB%8C%D8%B3%D9%BE%D8%B1/%D8%AA%D9%88%DA%A9%D9%86%E2%80%8C%D9%87%D8%A7%DB%8C-%D8%A8%D8%B1%DA%86%D8%B3%D8%A8-%D8%B2%D9%85%D8%A7%D9%86%DB%8C-%D9%88-%D9%87%D9%85%E2%80%8C%D8%AA%D8%B1%D8%A7%D8%B2%DB%8C</link>
    <guid>https://arsalandalvand.github.io/automatic-speech-recognition-kb/fa/30-%D9%85%D8%B9%D9%85%D8%A7%D8%B1%DB%8C-%D9%88%DB%8C%D8%B3%D9%BE%D8%B1/%D8%AA%D9%88%DA%A9%D9%86%E2%80%8C%D9%87%D8%A7%DB%8C-%D8%A8%D8%B1%DA%86%D8%B3%D8%A8-%D8%B2%D9%85%D8%A7%D9%86%DB%8C-%D9%88-%D9%87%D9%85%E2%80%8C%D8%AA%D8%B1%D8%A7%D8%B2%DB%8C</guid>
    <description><![CDATA[ توکن‌های برچسب زمانی و هم‌ترازی (Timestamp Tokens and Alignment) تعریف بنیادین مدل ویسپر (Whisper) مرزهای زمانی قطعات گفتار (Segment Boundaries) را مستقیماً از طریق توکن‌های ویژه خروجی با گام‌های زمانی 20 میلی‌ثانیه‌ای (20\text{ ms}) در بازه زمانی 0.00 تا 30.00 ثانیه کدگذاری و بازنمایی می‌کند. ]]></description>
    <pubDate>Sat, 29 Aug 2026 01:08:59 GMT</pubDate>
  </item>
    </channel>
  </rss>