Sinovoice-2015-12-30

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