Sinovoice-2015-08-18

来自cslt Wiki
跳转至： 导航、 搜索

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