Sinovoice-2016-1-27
目录
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;
- 维语
已完成120小时；last train 50h; 16K标注，灵云，180小时，收集验收；
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
MPE的训练: Condition: LM:1e-5/1e-9
test_8000ju test_10000ju 6000H 600*4_800 xEnt : 15.16 28.03 6000H 600*4_800 mpe : 12.09 23.51 6776H 1200*4_10000 mpe : 9.48 18.07 10000H 600*4_800 xEnt（迭代21轮） : 15.91 10000H 600*4_800 xEnt（迭代完成） : 15.56 26.71 10000H 2048*7_12000 xEnt(迭代1.7轮) : 10.12 10000H 2048*7_12000 xEnt(迭代2.6轮) : 9.73 10000H 2048*7_12000 xEnt(迭代3.8轮) : 9.51 10000H 2048*7_12000 xEnt(迭代5.1轮) : 9.53 10000H 2048*7_12000 xEnt(迭代6.0轮) : 9.41 17.75 10000H 2048*7_12000 xEnt(700.mdl ) : 9.35 17.71 10000H 2048*7_12000 xEnt(800.mdl ) : 9.27 17.57 10000H 2048*7_12000 xEnt(900.mdl ) : 9.20 17.51 10000H 2048*7_12000 xEnt(965.mdl ) : 9.20 17.60 10000H 2048*7_12000 200H mpe(2.mdl ) : 8.80 15.99 10000H 2048*7_12000 200H mpe(8.mdl ) : 8.71 15.91 10000H 2048*7_12000 1000H mpe(13.mdl) : 8.60 15.84
2）8K 领域模型，领域通用：设备 7层TDNN2048x10000,含有英文 信道、口音
华为V3信道压缩：4000小时，GMM
结果如下： | | BJYD | JS2h |ShaanXi2h| ShanXi2h|huaweiFuCe|UnKnown2h| | nnet1 1400h MPE | 22.49 | 19.81 | 19.63 | 21.90 | 16.72 | 22.00 | | nnet1 4200h xEnt | 26.89 | 19.90 | 25.43 | 26.90 | 16.15 | 24.13 | | nnet1 4200h MPE | 24.53 | 18.39 | 22.82 | 23.97 | 14.22 | 21.35 |
在A01辽宁移动测试集上的实验结果： dnn模型（mpe增量训练后）： 22.39 华为信道模型： 20.26 用辽宁移动数据在华为信道模型上做增量（6 mdl）： 18.16 用辽宁移动数据在华为信道模型上做增量（16 mdl）： 17.85
嵌入式
* 10000h-chain 5*400+800 has been training. * Dark-knowledge training scripts ready
TagModel
- 加重path或词边：组合词，lm中加重； 晓明、小韩
- 新词加重及添加
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；
End-To-End/CTC
Kaldi-nnet1, Kaldi-CTC, Kaldi-Chain and Eesen on WSJ. If GPU Parallel, then on grid-12 and grid-13. mpe-2 means method that considering Transition instead of CctcTransition when mpe, while mpe-1 means method that considering CctcTransition.
model %WER (test_eval92) %WER (after MPE)
kaldi/nnet1/dnn_2048_4(cd-dnn-hmm) 4.18
kaldi/ctc/decode_bd_tgpr_plm0.15 8.01 kaldi/ctc/decode_bd_tgpr_plm0.15, mpe-2, iter1 7.78 kaldi/ctc/decode_bd_tgpr_plm0.15, mpe-2, iter2 __7.73__
Test CTC-mpe (considering CctcTransition) on aurora4.
model %WER learning rate
kaldi/ctc/decode_bd_tgpr_plm0.15 13.86 kaldi/ctc/decode_bd_tgpr_plm0.15_mpe_iter1 12.70 0.0002 kaldi/ctc/decode_bd_tgpr_plm0.15_mpe_iter2 12.28 kaldi/ctc/decode_bd_tgpr_plm0.15_mpe_iter3 12.43 kaldi/ctc/decode_bd_tgpr_plm0.15_mpe_iter4 12.34
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； 跨信道，阈值不一致； 需要解决跨信道的识别问题；
手机和固定电话，需要分开测试； ubm256，需要加大； 组织一下数据，跑D-vector实验；
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
