2015年12月23日 (三) 05:57 Yanglibo

2015-12-23T05:57:40Z

Yanglibo：以“==数据== 第三季度目标 ===语音数据=== 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...”为内容创建页面

2015-12-23T05:29:50Z

以“==数据== *第三季度目标 ===语音数据=== *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...”为内容创建页面

新页面

==数据==
*第三季度目标
===语音数据===

*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；

*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;
已完成80小时。

*维语
已完成120小时；last train 50h;

===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
数据已处理完，提参数中；DNN 92上跑；
pdf：10000 8000中文 2000英文
训练第七轮；cer9.41； 700/3500
拷贝一份，启动8个job；原来的继续；

MPE的训练:
Context的窗大(-10,+10)的时候不收敛。

2）8K 领域模型，领域通用：设备 4层1200x8000 信道、口音
华为V3信道压缩：4000小时，GMM
2天，过了10遍；网络结构，
分成了100份
识别率下降：下降1-2个点；网络结构增大；
MPE今天跑起来一个；用Context有问题的脚本先跑起来；

===嵌入式===
DarkKnowledge训练；小网络学习大网络，学的会更准，目标函数会更平滑一些；
rectifier
4层600*800
DarkKnowledge先不训练。
10000从头训练，nnet3 rectifier 4层600*800

小模型测试，cer20+；
bigLM的生成还有问题！

生成结果有乱码：已解决，依赖的软件包的编译问题。
识别率不稳定，变化比较大：测试一万句的测试集；
将测试集分成4块，识别率基本一致；
句子越长，识别率越高；

深度的影响更大，宽度相对较小；
sigmod，改为rectifier

MPE Contect(6)跑一个；xEnt Contect(-3 -2 -1 0 1 2 3)+MPE；
Darkknowledge一个；4*600*800 Nnet3的训练脚本；
5*600*800加深一层跑一个；

解码效率：
NNet3的产品化

===TagModel===
Weight大，没有出来，路径不一样，路径的整体分值导致不一致；
路径走完，但是也错了，需要查一下晓明
count：只留两个，不分词，merge可能首外面影响；
count和分词有关：lm中词重了；
词的长度不多，加到lm中，当做新词，lm的state就不merge；
*加重path或词边：组合词，lm中加重；晓明、小韩
测试加重“xx导演的巩俐演的”待测试。

如果加很多新词，需要找到合适的Context。之勇、晓明
张艺谋：替换姜文合适，但是替换屠呦呦不合适。

*WordVector？基于词向量的新词加重。会训练WordVector，但是没有加入模型。
每个词的权重不一样（distance）。
计算PPL的，如果太低的词，就不要加了。
加重点词和关注的词。老词（词表中已有的）加重；

语料中超过5词，就可以使用。

拼语料和Tag的效果验证比较晓明
做了几个试验：
1）加几百个词，两个的效果基本一致；
2）加1万、2万、10万个词识别率差不多；10万拼语料太大，没有做出来；Tag比拼语料差3个点；

小米的测试结果：
LM和TagModel的合并fst, union，不是compose。晓明
测试集：句式在Tag中

*识别后处理
已知道这个词错了，可以处理。不知时，还需要处理？

===勤威项目===
*发布了一个模型：数据62H台湾POI，在6776MPE3上增量；词表量250多万，识别不好；
省市路，分词，句式：tag的方法来做。晓明
需要测试集，数据中心14日标完。

===语音自适应===
针对个人的
能提高2~3%(基数CER约10%)
客户端提取ivector，传给服务器；

===RNN===
LSTM不稳定，和End-to-End Merge，

*End-to-End算法，描述上下文不强，将stat去掉；
100小时验证和预期的差不多，但是大数据和大的LM上，还需要验证。
CTC Kaldi版本，并行的算法完成，在1400h上跑并行。

8K CTC 4000小时（8-10天）

训练数据的并行读取问题？Hadoop？分布式磁盘？特征+lattice

96，实验室；92 8核GPU 16K，215 8K；

==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%）
之前测试集有问题
字面和英文加入，测试集有，训练现在没有；

==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?

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

@@ 第19行： / 第19行： @@
     数据已处理完，提参数中；DNN 92上跑；
     pdf：10000 8000中文 2000英文
-    训练第七轮；cer9.41； 700/3500
+    训练第七轮；cer9.20； 900mdl/3500
-    拷贝一份，启动8个job；原来的继续；
 MPE的训练:
     Context的窗大(-10,+10)的时候不收敛。
 ）8K 领域模型，领域通用：设备 4层1200x8000   信道、口音
@@ 第31行： / 第34行： @@
     识别率下降：下降1-2个点；网络结构增大；
     MPE今天跑起来一个；用Context有问题的脚本先跑起来；
 ===嵌入式===
@@ 第53行： / 第59行： @@
     Darkknowledge一个；4*600*800 Nnet3的训练脚本；
 *600*800加深一层跑一个；
     解码效率：
@@ 第87行： / 第95行： @@
 *识别后处理
 已知道这个词错了，可以处理。不知时，还需要处理？
 ===勤威项目===
@@ 第104行： / 第114行： @@
 小时验证和预期的差不多，但是大数据和大的LM上，还需要验证。
 CTC Kaldi版本，并行的算法完成，在1400h上跑并行。
-K CTC 4000小时 （8-10天）
+K CTC 4000小时 （8-10天） 梦原
 训练数据的并行读取问题？Hadoop？分布式磁盘？特征+lattice
@@ 第119行： / 第132行： @@
 ==粤语8K==
-小时的（CER28%）
+小时的（CER28%）  FreeTalk
 之前测试集有问题
 字面和英文加入，测试集有，训练现在没有；
 ==维语8K==
@@ 第146行： / 第164行： @@
 K的找到一个1200人的数据，从中挑选；
 K的采购；但是音量小，是否会有影响?
 考勤系统，mic指定；

Sinovoice-2015-12-23 - 版本历史

2015年12月23日 (三) 05:57 Yanglibo

Yanglibo：以“==数据== *第三季度目标 ===语音数据=== *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...”为内容创建页面

Yanglibo：以“==数据== 第三季度目标 ===语音数据=== 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...”为内容创建页面