“Sinovoice-2015-11-25”版本间的差异

2015年11月25日 (三) 08:08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%

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
  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：Rectifier
  BigAM

  分了200份
  大模型的MPE

Nnet3 training on LARGE DATA:

8k:
	Dataset = 4200h, LM = 1e-8, beam = 9
	Baseline is pure-CN model, nnet3 models are multi-lingual models.
	nnet3 4*1200 is final model, while nnet3 7*2048 training is unfinished, the training process is about 40%.
-------------------------------------------------------------------------------------------------------------------------
  AM / test  |   test_JS   |  test_Shanxi  |  test_Shaanxi  |  test_Unknown  |  test_BJYD  |  test_huaweiFuCe  |
-------------------------------------------------------------------------------------------------------------------------
Baseline_xEnt|    19.90    |     26.90     |      25.43     |      24.13     |    26.89    |       16.15       |
Baseline_MPE |    18.39    |     23.97     |      22.82     |      21.35     |    24.53    |       14.22       |
-------------------------------------------------------------------------------------------------------------------------
nnet3_4*1200 |    22.44    |     28.31     |      26.59     |      25.10     |    26.57    |       18.93       |
-------------------------------------------------------------------------------------------------------------------------
nnet3_7*2048 |    20.18    |     25.35     |      23.40     |      21.55     |    23.22    |       14.77       |
-------------------------------------------------------------------------------------------------------------------------

  rt:
  beam9:                                   beam13:
    nnet1_4*1200+7934: 0.45 (train212)        nnet1_4*1200+7934: 1.2 (train212)
    nnet3_4*1200+8393: 0.35 (train92)         nnet3_4*1200+8393: 0.9 (train92)
    nnet3_7*2048+8393: 0.8 (train92)          nnet3_7*2048+8393: 1.2 (train92)
	

16k:
  LM = 1e-7, beam = 13
  Baseline is 6000h+776h mpe model.
  nnet3 model is trained by 1700h+776h data.
	The training nnet3 training is unfinished, the training process is about 75%.
--------------------------------------------------------------------------
  AM / test        | 1000ju_from_test_8000ju | 2000ju_from_test_10000ju |
--------------------------------------------------------------------------
6776h_mpe(baseline)|          10.05          |           21.16          |
--------------------------------------------------------------------------
  nnet3_6*2000     |           9.56          |           20.85          |
--------------------------------------------------------------------------

  rt:
  beam13:
    nnet1_4*1200+6761: 0.6-0.7 (train212)
    nnet3_6*2000+6761: 0.7-0.8 (train212) 0.9-1.0 (queue)

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；

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！

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？

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. 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

单机完成；

一个月完成大模型的训练；

目前需要解决的：大约1个月，上线约需要3个月； 并行：解决了慢的问题，多分了几个流；CTC到Kaldi的Net3 CDphone ： 搞定，效果还在验证中 h1clg

CTC Kaldi版本

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

60小时的，和30小时的（CER45%），没有变化，好了一点点； CER：44%； 只训练最后一层，华为信道；只训练了声学，语言没有更新； 查错，找原因；语言模型训练；

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?

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