Sinovoice-2015-12-30
目录
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;cer9.20; 900mdl/3500
拷贝一份,启动8个job; 原来的继续;进行MPE;
MPE的训练:
Context的窗大(-10,+10)的时候不收敛。 小数据过拟合,大数据再看下结果;
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;
生成lattice; MPE中间会输出模型,测试识别率;
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;
生成lattice,训练MPE,转格式专用空间太大,修改脚本,降低存储空间;
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?
人名识别不好,lm,人名的单字path加重???
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。 小汤,目前已超过DNN,还没有加MPE;NET3 LSTM
8K CTC 4000小时 (8-10天) 梦原 TDNN,效果不太好;TimeDelayDNN
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%) FreeTalk 90小时的(CER27.5%)质检 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; 粤语只训练最后一层;90小时单独训练模型的最后一层加到1400的最后一层; LM差的比较远; 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;
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?
8个Phone和1个Tele的录音模型已训练完,尚未测试完成;
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