“Sinovoice-2015-11-11”版本间的差异

来自cslt Wiki
跳转至： 导航、 搜索
 
第20行： 第20行：
 
   有卡的问题，卡在IO，100线
 
   有卡的问题，卡在IO，100线
 
   SCP，ark文件，按照机器号命名，分到不同的机器，本地读取；
 
   SCP，ark文件，按照机器号命名，分到不同的机器，本地读取；
 +
 +
  选一个：TDNN，Rectifier，PNorm
 +
  RT相同，看那个更好；
 +
  BigAM
  
 
2）8K 领域模型，领域通用：设备 4层1200x8000  信道、口音
 
2）8K 领域模型，领域通用：设备 4层1200x8000  信道、口音

2015年11月11日 (三) 06:45的最后版本

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%

已完成55.74小时。

  • 维语

已完成110小时；

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
  GMM
  有卡的问题，卡在IO，100线
  SCP，ark文件，按照机器号命名，分到不同的机器，本地读取；

  选一个：TDNN，Rectifier，PNorm
  RT相同，看那个更好；
  BigAM

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

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

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

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。
   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；

On 1400h Chinese data, raid96.

model WER(%) 

                                                 3-gram LM    5-gram LM      traning time

dnn 21.00 20.47

train_phn_ly4_c320_lr0.00004(iter1) 37.18 36.69 train_phn_ly4_c320_lr0.00004(iter3) 28.55 25.80 train_phn_ly4_c320_lr0.00004(iter4) 24.35 23.74 train_phn_ly4_c320_lr0.00004(iter5) 21.30 20.79 train_phn_ly4_c320_lr0.00004(iter6) 20.84 20.30 2.5day/iter 已找到MPE的训练方法，正在训练； MPE有个初步结果，提高0.4个点； MPE的方法是否正确？效果没有Context的好；快了，但是效果不太好； 没有状态；

CTC 单因子，context dependent to independe End-to-End = CTC + CIphone End-to-End + MPE已做完

目前需要解决的： 并行：解决了慢的问题，多分了几个流； CDphone

96，实验室；92 8核GPU 16K，215 8K；

中英混识

声学模型用中英混训练，语言模型使用中文，嵌入英文单词； 方法没有迭代下去，网络预测语种；指定语种复杂度高，训练慢；需要讨论使用其他方法提升。

一个声学+多个语言模型： 得分的可比性：

中文phone： 英文phone：

Mixture:silence分开 LanguageID?

中英单独识别： 两个解码：

原始模型，增强不行； 同一个模型， 旁边网络

Multi Task： 

  对Target分成两部分（语音、说话人），对英文的增强；
  pdf monophone
  初步进行试验。

解码，中文标，出不来，英文标，但是会吃中文；Tag的Position找的不对；QQ密码，从微信换成银行卡，不吃中文； 40句完全对14句；4句+6句，剩下的不对；

中文、英文同时标注； 声学中英混，语言模型，用Tag加；

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

  • 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：

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。"

用实际语料标注的8K测试，CER：88%； 声学和语言模型，均不匹配；

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?

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？

端点检测 Mic信道 背景噪音

PLDA adaptation GMM个数256调整成128，ivector：200调100； 

16K IV模型
串长	等错误率EER	参考阈值
6	1.08%	0.561605
8	0.45%	0.577476
16K IV数字模型
串长	等错误率EER	参考阈值
6	1.01%	0.564655
8	0.45%	0.591134

8K IV模型
串长	等错误率EER	参考阈值
6	4.43%	0.5007
8	1.66%	0.56881
8K IV数字模型
串长	等错误率EER	参考阈值
6	4.14%	0.5849
8	1.55%	0.6039

周四中午论文学习：13:00； 周一下午项目：15:00；

取自“http://index.cslt.org/mediawiki/index.php?title=Sinovoice-2015-11-11&oldid=17510”