“Sinovoice-2015-08-18”版本间的差异

来自cslt Wiki
跳转至： 导航、 搜索
（→‎9 话者分离）
 
（相同用户的11个中间修订版本未显示）
第1行： 第1行：
−
== 数据 ==
+
==数据==
−
第三季度目标
+
*第三季度目标
−
*语音数据
+
===语音数据===
−
**数字串的电话录音
+
*数字串
−
**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
+
电话录音
−
**8K 按照项目走
+
*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%
 
 
−
*文本数据
+
==2 中文16K==
−
**粤语文本，洗出来是400+M;已训练模型，CER:22%
+
*第三季度目标 当前WER:93.5%  目标WER:>94.5%
−
+
===DNN===
−
==中文16K==
+
*已训练完：基础模型6776小时的，迭代增量790+580小时的DNN模型；
−
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；
+
 
--------------
 
--------------
 
{| class="wikitable" border="1"
 
{| class="wikitable" border="1"
第26行： 第29行：
 
|}
 
|}
 
--------------
 
--------------
−
数据中有#号，丢字多了；句中有#的也丢掉？weak sil scale测试一下。"
+
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；
+
 
 +
*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；
 
一个single的暂不跑；
−
ensemble的解码变好，训练还没有；"
+
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；
+
*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。
 
暂时没有时间做。
 
考虑：只用实际数据。
 
考虑：只用实际数据。
−
RNN： "1700+776H LSTM_xent_iter03_910h 27.99  模型训练中
+
 
 +
===RNN===
 +
*1700+776H LSTM_xent_iter03_910h 27.99  模型训练中
 
iter05_
 
iter05_
 
四轮跑完；
 
四轮跑完；
−
三轮中的一个模型，newschedule
+
 
 +
*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；
 
小LM1e-5(几M)，比6000+H的DNN要好，好1个点；
 
大LM，没有DNN的好；
 
大LM，没有DNN的好；
 +
*MPE的问题：还没有解决
  
−
MPE的问题：还没有解决"
+
===TagModel===
−
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；
+
*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；
+
# 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；
+
# 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；
+
# 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；
+
  
 +
*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；
 +
<pre>
 
1. 没必要调参数，word vector选词；纠错不行；similary pair；
 
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；
 
   宁可：纠错词典，下周1之前会有一个简单能用的版本；
第55行： 第64行：
 
   宁可去掉，不能错放；
 
   宁可去掉，不能错放；
 
   重名？
 
   重名？
 +
</pre>
  
−
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)；
+
*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；
+
*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？"
+
*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，准备上线中：
+
−
            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）
+
===月度语言模型更新===
 +
*2015-7月测试，已上线：
 +
{| class="wikitable" border="1"
 +
|          || 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）
 +
<pre>
 
xiaomi_20150813  0.0182
 
xiaomi_20150813  0.0182
 
xiaomi_20150814  0.0175
 
xiaomi_20150814  0.0175
 +
</pre>
  
−
多选：调试已差不多了，速度也不慢了；"
+
*多选
−
勤威项目： "数据有问题：8K的保存成了16K，16K的格式，读的比较慢，确认一下数据格式；
+
调试已差不多了，速度也不慢了；"
  
−
数据重新转了一遍，就没有问题了；
+
===勤威项目===
−
发布了一个模型：数据62H台湾POI，在6776MPE3上增量"
+
*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"
 
 
−
+
==中文8K==
−
+
*第三季度目标 当前WER:75%；目标WER:>78% (相对下降10%)  
−
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 "并行训练：需要新版本cublas的支持；kaldi不支持，需要支持；
+
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；"
 
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：DarkKnowledge
+
*三种方法
−
DarkKnowledge： 辽宁移动: 400h dark knowledge xEnt + MPE， 有标注和无标注的一起训练，
+
<pre>
−
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；
+
未标注：soft
−
分析：应该没有太大的增长，对100小时以内的数据，比较显著；
+
已标注：soft + hard label，diff加权和 实验室是：加权比只有hard会好些。
−
"有时间再查具体原因；
+
mix训练：未标注+已标注
−
已基本达标，优先级降低；"
+
</pre>
−
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；
+
*辽宁移动:  
−
准备训练：分领域，分省；
+
<pre>
−
8K24省的数据，一共500+,每省20小时左右；
+
400h dark knowledge xEnt + MPE， 有标注和无标注的一起训练，
−
列出数据的编码类型；晓明找一下思思给出；
+
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；
−
训练方法：DNN的标准训练方法；
+
分析：应该没有太大的增长，对100小时以内的数据，比较显著；
−
数据标注抽检合格率85%；
+
有时间再查具体原因；已基本达标，优先级降低；
−
优先级低，先搁置，等GPU
+
</pre>
−
Data selection :* Acoustic-based selection: ubm-decoding done.  
+
 
−
:* Phonetic-based selection: decoding done.
+
*Ensemble training
−
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；
+
<pre>
−
脚本还没有再修改；
+
13 model ensemble training: 30.81%
−
滴滴项目： 声学模型训练：270H的增量训练，大概12日能出来；
+
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；
−
"语言模型训练：标注语料，ppl：69；识别率：84%
+
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
 +
</pre>
 +
 
 +
*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：
 
引擎修改多选输出：
 +
语言声学都优化：ppl：67 识别率84.6%
  
−
语言声学都优化：ppL：67 识别率84.6%"
+
===平安项目===
−
平安项目： DNN_xent：1400H + 700H 18.16
+
DNN_xent：1400H + 700H 18.16
−
DNN_mpe：1400H + 700H 16.87
+
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；
+
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；"
 
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===
−
8K RNN 1400+100H DNN_xent                  中文：20.83  英文：57.50
+
700H 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===
−
8K RNN 1400+300H DNN_xent_ft4200h-hl3  中文：20.56  英文：39.75
+
*RNN 1400+100H
−
"LSTM_xent_iter04_1340h 中文：18.93  英文：40.08 训练中
+
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
 +
 
 +
*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"
 
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？
 
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；
 
近场变远场：算法有，需要调试；
 
远场变近场：共达提供算法；
 
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。
+
 
 +
==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？
 
数据质量差？
 
网页下载繁体；确认是否是粤语字？
 
网页下载繁体；确认是否是粤语字？
−
 
 
PPL：1000+"
 
PPL：1000+"
−
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
+
==粤语8K==
−
考题，进行招聘；"
+
*目标 WER:>65%
−
语言模型 "语言模型训练完了，测试结果：
+
===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
 
16K模型：字错误率21.78
 
8k模型：字错误率22.0
 
8k模型：字错误率22.0
第152行： 第214行：
 
维语16K WER:85%
 
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%
+
==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
 
35H标注文本数据已提供实验室处理；
 
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；"
 
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；
 
−
8K模型训练 开发完引擎，选取语料，进行标注；
 
−
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；
 
  
 +
==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；
 +
<pre>
 
引擎版本 字错误率
 
引擎版本 字错误率
 
R925 cer:0.229239308333;
 
R925 cer:0.229239308333;
第171行： 第245行：
 
R925 all total:3429752.000000 correct:0.824830
 
R925 all total:3429752.000000 correct:0.824830
 
r946 all total:3409079.000000 correct:0.773867"
 
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；
+
</pre>
−
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；
+
==声纹识别==
−
聚类分类算法 基于Affinity距离的算法研究
+
*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；
−
D-Vector
+
*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

2015年8月24日 (一) 10:51的最后版本

数据

  • 第三季度目标

语音数据

  • 数字串

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"

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

  • 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
  • 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

  • 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；

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%

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%

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"

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
取自“http://index.cslt.org/mediawiki/index.php?title=Sinovoice-2015-08-18&oldid=16433”