Sinovoice-2016-2-25
目录
数据
- 16K 灵云数据
10000小时实际语料的标注目标，已立项400小时的标注； 语料从1000小时中，通过ASR打分，取出中间的400小时；
任务优先 覆盖优先
领域和口音或信道的覆盖性！！！ Darkknowledge方法 标注：听不懂的掠过；
- 粤语标注了一个测试集，增量9小时，CER：54%；30h,50%
60h trained. no tag text to lm, CER 45% discard english text;
- 维语
已完成120小时；last train 50h; 目标200小时； 16K标注，灵云，180小时，收集验收；
大模型
1）16K10000小时的跑一个DNN训练，加深加宽：7层2400x10000 rectifier 保留英文
MPE的训练: Condition: LM:1e-5/1e-9
test_8000ju test_10000ju 6000H 600*4_800 xEnt : 15.16 28.03 6000H 600*4_800 mpe : 12.09 23.51 6776H 1200*4_10000 mpe : 9.48 18.07 10000H 600*4_800 xEnt（迭代21轮） : 15.91 10000H 600*4_800 xEnt（迭代完成） : 15.56 26.71 10000H 2048*7_12000 xEnt(迭代1.7轮) : 10.12 10000H 2048*7_12000 xEnt(迭代2.6轮) : 9.73 10000H 2048*7_12000 xEnt(迭代3.8轮) : 9.51 10000H 2048*7_12000 xEnt(迭代5.1轮) : 9.53 10000H 2048*7_12000 xEnt(迭代6.0轮) : 9.41 17.75 10000H 2048*7_12000 xEnt(700.mdl ) : 9.35 17.71 10000H 2048*7_12000 xEnt(800.mdl ) : 9.27 17.57 10000H 2048*7_12000 xEnt(900.mdl ) : 9.20 17.51 10000H 2048*7_12000 xEnt(965.mdl ) : 9.20 17.60 10000H 2048*7_12000 200H mpe(2.mdl ) : 8.80 15.99 10000H 2048*7_12000 200H mpe(8.mdl ) : 8.71 15.91 10000H 2048*7_12000 1000H mpe(13.mdl) : 8.60 15.84
10000H 2048*7_12000 1000H mpe(13.mdl) : 8.60 15.84 10000H 2048*7_12000 1000H mpe(17.mdl) : 8.46 15.76 10000H 2048*7_12000 1000H mpe(26.mdl) : 8.47 15.71 10000H 2048*7_12000 1000H mpe(35.mdl) : 8.43 15.84 10000H 2048*7_12000 1000H mpe(42.mdl) : 8.40 15.87 10000H 2048*7_12000 1000H mpe(56.mdl) : 8.49 15.96
10000H 2048*7_6565 chain (2700.mdl) : 8.90 17.51
10000小时MPE，开跑，但是提升空间不大。
2）8K 领域模型，领域通用：设备 7层TDNN2048x10000,含有英文 信道、口音
华为V3信道压缩：4000小时，GMM
结果如下： | | BJYD | JS2h |ShaanXi2h| ShanXi2h|huaweiFuCe|UnKnown2h| | nnet1 1400h MPE | 22.49 | 19.81 | 19.63 | 21.90 | 16.72 | 22.00 | | nnet1 4200h xEnt | 26.89 | 19.90 | 25.43 | 26.90 | 16.15 | 24.13 | | nnet1 4200h MPE | 24.53 | 18.39 | 22.82 | 23.97 | 14.22 | 21.35 |
8k:
huaweiFuCe nnet3_xEnt 7*2048+8393 : 14.61 chain 7*2048+6558 200.mdl: 17.83 chain 400.mdl: 17.09 chain 600.mdl: 18.13 chain 800.mdl: 19.05
在A01辽宁移动测试集上的实验结果：
dnn模型（mpe增量训练后）： 22.39
华为信道模型： 20.26
用辽宁移动数据在华为信道模型上做增量（6 mdl）： 18.16
用辽宁移动数据在华为信道模型上做增量（16 mdl）： 17.85
平安提高1个点；客户测试集提升3个点； 分析一下客户错误的原因？在LM上提升。是否有奇怪的噪声。
丢字问题：远端被识别为噪音。 sil_scale可以捞一些回来。 找一个TestCase，怎么都调不回来的。（灵云输入法前面丢字） 16K的少些，8K的比较多； 产品测试和Kaldi测试，小韩跑下
postscale乘法？指数？ softmax，则在之前乘，否则后乘，指数的scale，调节范围窄，需要试下，调整范围大些 里面可能有问题，需要BadCase后，查一下。
平安100小时客户模型：
new 100小时Inc，只替换声学模型 100小时Inc，替换声学语言模型 Agent User Entire pingan_kf_1h pingan_kh_1h Agent User Entire pingan_kf_1h pingan_kh_1h Agent User Entire pingan_kf_1h pingan_kh_1h 0.1069 0.3518 0.1495 0.11249 0.3629 0.1442 0.0641 0.3307 0.11861 0.3427 0.1523 0.0664 0.324 0.1095 0.3636 0.1403 0.0728 0.3756 0.11618 0.3577 0.1445 0.07501 0.3623 0.12014 0.357 0.1476 0.0779 0.35871
PPL 150 Test语料，加入LM，分析确认是AM还是LM上加重？ 口音、流畅度 Kaldi解码地址和结果一起发
嵌入式
* 10000h-chain 5*400+800 has been training. * Dark-knowledge training scripts ready
(1) 现在Chain model在大数据上遇到的瓶颈看起来是用的TDNN前端。应该改用LSTM前端以描述状态。
(2) LSTM对特征context不足，应结合TDNN
(3) LSTM不必特别多层，也不必所有gate都用上，只要能描述状态变化即可。
(4) 倾向构造这样的结构，底层是TDNN，高层是LSTM，LSTM只有一层即可，同时尽可能简化。
LSTM+TDNN+Chain大模型中加入状态的信息；
Lattice-Alignment
LSTM + TDNN + Chain，跑了一个变差，小的100做的，大网络小数据；
Chain，说活人+ASR，Chain+MPE的模型
(5) TDNN + state + Chain objective或许会比TDNN+state后接MPE有所提高。或者，一个类似的CTC+MPE objective function.
新松机器人：
接口
TagModel
- 加重path或词边：组合词，lm中加重； 晓明、小韩
- 新词加重及添加
加重新词，新建Path了，新词列表，1Gram，大于1的没有写。 Path加重； 老词构造新词，修改fst，再转hclg；
粤语16K
声学模型
已训练完成 130H
语言模型
下载语料，训练模型，PPL：1000+ 16K模型：字错误率21.78
粤语8K
69小时的（CER28%） FreeTalk 90小时的（CER27.5%）质检 190小时，73%
英文单词还没有加（英文的标音：用粤语的音素标）； 粤英文的模型，需要训练； 句子长，有两句，将CER拉下来了，分析这两句。 中英混，提高了2个点；对英文自身的提升有多少？统计一下。
维语8K
声学模型
已训练35小时；借用梦原的模型；用16K的lm Model，WER：30%左右；
语言模型
和新疆大学调试：公司Word；实验室 35H标注文本数据已提供实验室处理； toolkit做完了，维语句子转成monphone串；
发布了一个维语模型，需要识别标注语料，发布的是word模型： model_35h_20150828 CER:0.419693683925
导出64小时，声学和语言模型进行优化。
声纹识别
- 数字串模型训练 正在采集数字串语音数据，预期本月内完成；
- 聚类分类算法 基于Affinity距离的算法研究
- D-Vector
- 短语音的识别：
数字模型：单独训练，ivector和plda需要用数字需要训练。 之前录得语料，独立人只有100人； 16K的找到一个1200人的数据，从中挑选； 8K的采购；但是音量小，是否会有影响?
真实场景下的测试集？考勤机里面的数据整理出来。 考勤机Adaptation训练。 重训练和Adaptation；
[新疆伽师] Mic模型；26日；PLDA 需要10人的数据；
8个Phone和1个Tele的录音模型已训练完； 跨信道，阈值不一致； 需要解决跨信道的识别问题；
手机和固定电话，需要分开测试； ubm256，需要加大； 组织一下数据，跑D-vector实验；
测试集，真实场景的
考勤系统，mic指定； 定制背景模型；
加入情绪，场景的分析，分类的分析；
将测试数据加入训练，看是否有提高？
使用条件的问题：
音量的影响？ 背景噪音：如大厅中，人声噪杂的影响？
信道适应？ 端点检测 Mic信道 背景噪音
端点检测，信噪比计算； 发音方式：坐着、站着
PLDA adaptation
