“Sinovoice-2015-08-18”版本间的差异

2015年8月24日 (一) 10:24的版本

1 数据

第三季度目标

语音数据
- 数字串的电话录音
- 16K 灵云数据 202H 一直在标注中平衡？按照数据来源：输入法、导航
- 8K 按照项目走

文本数据
- 粤语文本，洗出来是400+M;已训练模型，CER:22%

2 中文16K

第三季度目标当前WER:93.5% 目标WER:>94.5%

DNN
- 已训练完：基础模型6776小时的，迭代增量790+580小时的DNN模型；

	7月_v2c_6776MPE3	v2c_1372H_inc_MPE2	v2c_1372H_inc_MPE2(0.97)
New_10000	0.16112014838	0.16241239339	0.159341411132
8000	0.0644148011643	0.0642472724227	0.0623416329864
10000	0.0997464074387	0.0994082840237	0.0952451394759
新词测试集	0.0689477746334	0.0761512734757	0.0771803447389

数据中有#号，丢字多了；句中有#的也丢掉？weak sil scale测试一下。

- 现在总共有8500H左右；准备重新跑一个训练过程；

一个single的暂不跑； ensemble的解码变好，训练还没有；

- 准备启动：Random训练，现在是4*1200，增加层好，还是增加节点数好？加2层，用新标的数据来训练；

暂时没有时间做。考虑：只用实际数据。

RNN
- 1700+776H LSTM_xent_iter03_910h 27.99 模型训练中

iter05_ 四轮跑完；

- 三轮中的一个模型，newschedule

小LM1e-5(几M)，比6000+H的DNN要好，好1个点；大LM，没有DNN的好；

- MPE的问题：还没有解决"

TagModel
- 实验室解决技术问题,还没有调出一个好的结果，直接在语言模型上fst调权重，可以出来；

1. lm中加重； 2. tag，在lm中有的去掉；选择词替换，test数据到lm中试； 3. 后处理：替换；

- video Tag，不能加太多；不是Name的去掉；清理Video；
- 梦原:有问题的加入Tag，验证是否有效？
- 晓明:指导数据加工，过滤出有效的数据；

1. 没必要调参数，word vector选词；纠错不行；similary pair；

  宁可：纠错词典，下周1之前会有一个简单能用的版本；

2. 分类：word vector 人名电视剧名电影名；

  宁可去掉，不能错放；
  重名？

- 代码有错：fst加tag时串了；修改后，小实验上效果良好；小米的正在进行merge（nest)；
- 13万词，加进去并不好；Tag还是需要筛查；
- 如果Tag中的词加入count，是否有效？"

月度语言模型更新
- 2015-7月测试，已上线：

	4月_model_0.05	6月_model	7月_v2c_model
New_10000	0.162184350153	0.161849886739	0.16112014838
8000	0.0648126819257	0.0649802106674	0.0644148011643
10000	0.100338123415	0.100253592561	0.0997464074387
新词测试集	0.079495755081	0.0720349884229	0.0689477746334"

- 2015-8月,正在下载语料；

领域语言模型：领域相关模型，类似于声学的mpe，如何描述这个领域？关键词？Grammar？

小米项目
- TagModel，已做一个模型，经常跑入Tag；对人名、地名的加重不好，不稳定，体验不好；

切出小的ngram模型，调整权重；tag先使用句式，再和大的merge； "Tag的权重不好调，统计词的count;

- 赵涛总结句式，准备用造语料的方法，进行lm的训练；
- 加重path路径权重；
- Word加重，已发给，小韩需要测试；

- 上线了一个针对错误，优化（增加语料，对巩俐、张艺谋）

xiaomi_20150813 0.0182 xiaomi_20150814 0.0175

多选
- 调试已差不多了，速度也不慢了；"

勤威项目
- 之前有8K和16K混存的问题，数据重新转了一遍，就没有问题了；
- 发布了一个模型：数据62H台湾POI，在6776MPE3上增量"

2 中文8K

第三季度目标当前WER:75%；目标WER:>78% (相对下降10%)

并行训练

"并行训练：需要新版本cublas的支持；kaldi不支持，需要支持；可以在多个GPU上跑了。2个GPU上比1个快1.6倍；"

Darkknowledge的三种方法：

未标注：soft 已标注：soft + hard label，diff加权和实验室是：加权比只有hard会好些。 mix训练：未标注+已标注

DarkKnowledge：
- 辽宁移动:

               400h dark knowledge xEnt + MPE， 有标注和无标注的一起训练，

Mix训练方法：400h迭代优化，加500小时未标注，晓明已训练完，小韩测试效果变差；分析：应该没有太大的增长，对100小时以内的数据，比较显著； "有时间再查具体原因；

               已基本达标，优先级降低；"

Ensemble training

13 model ensemble training: 30.81%

解码ensemble decoding，声学部分，对多个模型的声学后验概率合并输出给后面的解码器；准备训练：分领域，分省； 8K24省的数据，一共500+,每省20小时左右；列出数据的编码类型；晓明找一下思思给出；训练方法：DNN的标准训练方法；数据标注抽检合格率85%；优先级低，先搁置，等GPU

Data selection

Acoustic-based selection: ubm-decoding done.
Phonetic-based selection: decoding done.

没有跑。脚本的效率太慢，准备分布式跑，如果还慢，换C++语言重写；脚本还没有再修改；

滴滴项目
- 声学模型训练：270H的增量训练，大概12日能出来；
- 语言模型训练：标注语料，ppl：69；识别率：84%
- 引擎修改多选输出：

语言声学都优化：ppl：67 识别率84.6%

平安项目

DNN_xent：1400H + 700H 18.16 DNN_mpe：1400H + 700H 16.87 CNN：15.37；梦原给了一个模型，公司这边还没有测试；引擎模型的打包工具需要修改，还没有修改；"

RNN

700H LSTM_new-sched_4400h 17.39 训练中

3 中英混识

第三季度目标支持中英混识，对纯中文影响<1%，混识识别率达到纯中文的95%；

8K

RNN 1400+100H DNN_xent 中文：20.83 英文：57.50 DNN_xent_ft4200h-hl3 中文：19.52 英文：57.20 基本已收敛：17.17% 英文 48.46%

LSTM_xent_iter08_1270h 中文：17.49 英文：48.06

8K

RNN 1400+300H DNN_xent_ft4200h-hl3 中文：20.56 英文：39.75 LSTM_xent_iter04_1340h 中文：18.93 英文：40.08 训练中已跑6轮：中文：17.30 英文：38.16"

4 中文16K远场

第三季度目标 2米有效角度内，WER:>88%

山东共达

山东共达：基于Android的一个处理算法，将数据处理一遍，进行模型训练；由于效率比较低，鲁磊正在供应商联系，提供Windows或Linux版本的；是否需要完全模拟远场，进行声音采集或处理？

近场变远场：算法有，需要调试；远场变近场：共达提供算法；近场数据处理：共达提供算法；

科声讯的方案

远场处理方案；Mic芯片；

5 粤语16K

第三季度目标目前不支持，目标：支持，WER:>80%

声学模型已训练完成 130H
语言模型 "已拿到数据，开始训练；繁体转简体。

数据质量差？网页下载繁体；确认是否是粤语字？

PPL：1000+"

6 粤语8K

目标 WER:>65%

声学模型需要标注语料，正在招标注员、验收员，进行招聘；"
语言模型 "语言模型训练完了，测试结果：

16K模型：字错误率21.78 8k模型：字错误率22.0 测试集采用的是海天润声给的样本数据，从16k转8k。" 维语16K WER:85%

7 维语8K

第三季度目标目前不支持，目标：支持，WER:>65%

声学模型已训练35小时；借用梦原的模型；用16K的lm Model，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；"

8 情感识别

第三季度目标目前：识别生气，正确率<30%；目标破：识别生气：16K >65%; 8K >60%;

OpenEar产品化待引擎产品化；
8K模型训练开发完引擎，选取语料，进行标注；

9 话者分离

第三季度目标目前：正确率82%；目标：暂无计划，结合项目进行

DNN端点检测

之前训练的4*300*2的端点检测模型，实时率得到提升，占整个RT的4%左右，但是正确率相对于大模型下降，大模型82%，小模型70%；正在训练新的端点检测模型：4*400+500；MPE的前处理，预计：2天左右能出MPE1；

引擎版本字错误率 R925 cer:0.229239308333; r946 cer:0.253077634669;

引擎版本话者分离总时长正确率 R925 all total:3429752.000000 correct:0.824830 r946 all total:3409079.000000 correct:0.773867"

10 声纹识别

第三季度目标数字串串长6的EER<1%;支持百万级的实时辨识；

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；
TZNorm算法 TZNorm算法，与预期不符，检查算法的正确性；
聚类分类算法基于Affinity距离的算法研究
D-Vector

@@ 第1行： / 第1行： @@
-== 数据 ==
+==1 数据==
 第三季度目标
 *语音数据
@@ 第9行： / 第9行： @@
 **粤语文本，洗出来是400+M;已训练模型，CER:22%
-==中文16K==
+==2 中文16K==
 第三季度目标	当前WER:93.5%  目标WER:>94.5%
 *DNN
@@ 第100行： / 第100行： @@
-中文8K 	第三季度目标	当前WER:75%；目标WER:>78% (相对下降10%)
+==2 中文8K==
-	并行训练	"并行训练：需要新版本cublas的支持；kaldi不支持，需要支持；
+第三季度目标	当前WER:75%；目标WER:>78% (相对下降10%)
+*并行训练
+"并行训练：需要新版本cublas的支持；kaldi不支持，需要支持；
 可以在多个GPU上跑了。2个GPU上比1个快1.6倍；"
-	Darkknowledge的三种方法：	未标注：soft
-		已标注：soft + hard label，diff加权和 实验室是：加权比只有hard会好些。mix训练：未标注+已标注
+*Darkknowledge的三种方法：
-		辽宁移动：DarkKnowledge
+未标注：soft
-	DarkKnowledge：	辽宁移动: 400h dark knowledge xEnt + MPE， 有标注和无标注的一起训练，
+已标注：soft + hard label，diff加权和 实验室是：加权比只有hard会好些。
+mix训练：未标注+已标注
+*DarkKnowledge：
+**辽宁移动:
+h dark knowledge xEnt + MPE， 有标注和无标注的一起训练，
 		Mix训练方法：400h迭代优化，加500小时未标注，晓明已训练完，小韩测试效果变差；
 		分析：应该没有太大的增长，对100小时以内的数据，比较显著；
 		"有时间再查具体原因；
-已基本达标，优先级降低；"
+                已基本达标，优先级降低；"
-	Ensemble training 	:* 13 model ensemble training: 30.81%
+*Ensemble training
-		解码ensemble decoding，声学部分，对多个模型的声学后验概率合并输出给后面的解码器；
+:* 13 model ensemble training: 30.81%
-		准备训练：分领域，分省；
+解码ensemble decoding，声学部分，对多个模型的声学后验概率合并输出给后面的解码器；
-K24省的数据，一共500+,每省20小时左右；
+准备训练：分领域，分省；
-		列出数据的编码类型；晓明找一下思思给出；
+K24省的数据，一共500+,每省20小时左右；
-		训练方法：DNN的标准训练方法；
+列出数据的编码类型；晓明找一下思思给出；
-		数据标注抽检合格率85%；
+训练方法：DNN的标准训练方法；
-		优先级低，先搁置，等GPU
+数据标注抽检合格率85%；
-	Data selection 	:* Acoustic-based selection: ubm-decoding done.
+优先级低，先搁置，等GPU
-		:* Phonetic-based selection: decoding done.
+*Data selection
-		没有跑。脚本的效率太慢，准备分布式跑，如果还慢，换C++语言重写；
+:* Acoustic-based selection: ubm-decoding done.
-		脚本还没有再修改；
+:* Phonetic-based selection: decoding done.
-	滴滴项目：	声学模型训练：270H的增量训练，大概12日能出来；
+没有跑。脚本的效率太慢，准备分布式跑，如果还慢，换C++语言重写；
-		"语言模型训练：标注语料，ppl：69；识别率：84%
+脚本还没有再修改；
-引擎修改多选输出：
-语言声学都优化：ppL：67 识别率84.6%"
+*滴滴项目
-	平安项目：	DNN_xent：1400H + 700H 18.16
+**声学模型训练：270H的增量训练，大概12日能出来；
-		DNN_mpe：1400H + 700H 16.87
+**语言模型训练：标注语料，ppl：69；识别率：84%
-		"CNN：15.37；梦原给了一个模型，公司这边还没有测试；
+**引擎修改多选输出：
+语言声学都优化：ppl：67 识别率84.6%
+*平安项目
+DNN_xent：1400H + 700H 18.16
+DNN_mpe：1400H + 700H 16.87
+CNN：15.37；梦原给了一个模型，公司这边还没有测试；
 引擎模型的打包工具需要修改，还没有修改；"
-		RNN：700H LSTM_new-sched_4400h 17.39 训练中
-中英混识	第三季度目标	支持中英混识，对纯中文影响<1%，混识识别率达到纯中文的95%；
+*RNN
-K RNN 1400+100H	DNN_xent                   中文：20.83   英文：57.50
+H LSTM_new-sched_4400h 17.39 训练中
-		DNN_xent_ft4200h-hl3       中文：19.52   英文：57.20
-		"基本已收敛：17.17% 英文 48.46%
+==3 中英混识==
-"
+第三季度目标	支持中英混识，对纯中文影响<1%，混识识别率达到纯中文的95%；
-		LSTM_xent_iter08_1270h     中文：17.49   英文：48.06
+*8K
-K RNN 1400+300H	DNN_xent_ft4200h-hl3   中文：20.56   英文：39.75
+RNN 1400+100H	DNN_xent                   中文：20.83   英文：57.50
-		"LSTM_xent_iter04_1340h 中文：18.93   英文：40.08 训练中
+DNN_xent_ft4200h-hl3       中文：19.52   英文：57.20
+基本已收敛：17.17% 英文 48.46%
+LSTM_xent_iter08_1270h     中文：17.49   英文：48.06
+*8K
+RNN 1400+300H	DNN_xent_ft4200h-hl3   中文：20.56   英文：39.75
+LSTM_xent_iter04_1340h 中文：18.93   英文：40.08 训练中
 已跑6轮：中文：17.30 英文：38.16"
-中文16K远场	第三季度目标	2米有效角度内，WER:>88%
-	山东共达	"山东共达：基于Android的一个处理算法，将数据处理一遍，进行模型训练；由于效率比较低，鲁磊正在供应商联系，提供Windows或Linux版本的；
+==4 中文16K远场==
+第三季度目标	2米有效角度内，WER:>88%
+*山东共达
+山东共达：基于Android的一个处理算法，将数据处理一遍，进行模型训练；由于效率比较低，鲁磊正在供应商联系，提供Windows或Linux版本的；
 是否需要完全模拟远场，进行声音采集或处理？
 近场变远场：算法有，需要调试；
 远场变近场：共达提供算法；
-近场数据处理：共达提供算法；"
+近场数据处理：共达提供算法；
-		讯的方案：远场处理方案；Mic芯片；
-粤语16K 	第三季度目标	目前不支持，目标：支持，WER:>80%
+*科声讯的方案
-	声学模型	已训练完成 130H
+远场处理方案；Mic芯片；
-	语言模型	"已拿到数据，开始训练；繁体转简体。
+==5 粤语16K==
+第三季度目标	目前不支持，目标：支持，WER:>80%
+*声学模型	已训练完成 130H
+*语言模型	"已拿到数据，开始训练；繁体转简体。
 数据质量差？
 网页下载繁体；确认是否是粤语字？
 PPL：1000+"
-粤语8K 	 目标	WER:>65%
+==6 粤语8K==
-	声学模型	"需要标注语料，正在招标注员、验收员
+目标	WER:>65%
-考题，进行招聘；"
+*声学模型	需要标注语料，正在招标注员、验收员，进行招聘；"
-	语言模型	"语言模型训练完了，测试结果：
+*语言模型	"语言模型训练完了，测试结果：
 K模型：字错误率21.78
 k模型：字错误率22.0
@@ 第166行： / 第192行： @@
 维语16K 	WER:85%
-维语8K 	第三季度目标	目前不支持，目标：支持，WER:>65%
+==7 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，30%左右；
+第三季度目标	目前不支持，目标：支持，WER:>65%
-	语言模型	"和新疆大学调试：公司Word；实验室
+*声学模型	已训练35小时；借用梦原的模型；用16K的lm Model，30%左右；
+*语言模型	"和新疆大学调试：公司Word；实验室
 H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；"
-情感识别	第三季度目标	目前：识别生气，正确率<30%；目标破：识别生气：16K >65%; 8K >60%;
-	OpenEar产品化	待引擎产品化；
+==8 情感识别==
-K模型训练	开发完引擎，选取语料，进行标注；
+第三季度目标	目前：识别生气，正确率<30%；目标破：识别生气：16K >65%; 8K >60%;
-话者分离	第三季度目标	目前：正确率82%；目标：暂无计划，结合项目进行
+*OpenEar产品化	待引擎产品化；
-	DNN端点检测	"之前训练的4*300*2的端点检测模型，实时率得到提升，占整个RT的4%左右，但是正确率相对于大模型下降，大模型82%，小模型70%；
+*8K模型训练	开发完引擎，选取语料，进行标注；
+==9 话者分离==
+第三季度目标	目前：正确率82%；目标：暂无计划，结合项目进行
+*DNN端点检测
+之前训练的4*300*2的端点检测模型，实时率得到提升，占整个RT的4%左右，但是正确率相对于大模型下降，大模型82%，小模型70%；
 正在训练新的端点检测模型：4*400+500；MPE的前处理，预计：2天左右能出MPE1；
@@ 第185行： / 第217行： @@
 R925 all total:3429752.000000 correct:0.824830
 r946 all total:3409079.000000 correct:0.773867"
-声纹识别：	第三季度目标	数字串串长6的EER<1%;支持百万级的实时辨识；
+==10 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；
+第三季度目标	数字串串长6的EER<1%;支持百万级的实时辨识；
-	TZNorm算法	TZNorm算法，与预期不符，检查算法的正确性；
+*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
+*TZNorm算法	TZNorm算法，与预期不符，检查算法的正确性；
-	D-Vector
+*聚类分类算法	基于Affinity距离的算法研究
+*D-Vector