Sinovoice-2015-09-08

来自cslt Wiki
2015年9月15日 (二) 04:46Yanglibo（讨论 | 贡献）的版本

(差异) ←上一版本 | 最后版本 (差异) | 下一版本→ (差异)
跳转至： 导航、 搜索

数据

  • 第三季度目标

语音数据

  • 数字字母串

电话录音,已录音完毕，已完成1500句校对，还有5500句尚未校对完毕；

  • 16K 灵云数据

正在标注输入法数据，除了地点的都标注； 每周能够标注50H；

  • 8K

平安：已标注895小时，未再标注； 英大：已标注80小时，还有20小时，在继续，优先级低于无锡； 无锡地税：目标50小时，已标注30小时； 滴滴：已提供404，清洗后训练358小时；已标注共计550小时，正在导出，导出的数据有问题；在继续标注，现有已切语料，预计能标注600小时；

  • 粤语标注了一个测试集，测试CER:88%；

兼职有一些，验收一人； 在开展培训，计划10月18日标注100小时； 合格0.2小时；20个人标注；1个人验收；

  • 维语

已标注完成54.05小时，提供训练; 还有10小时成品，尚未导出，等下次训练时导出； 又传上了一批开始标注；

文本数据

  • 香港文本

在继续下载； 需要主要下载新闻网站，之前理发店的就下了40G；共10G清理出400M；

  • 台湾文本

在继续下载；

2 中文16K

  • 第三季度目标 当前WER:93.5% 目标WER:>94.5%

DNN

RNN

  • 1700+776H

baseline 6776 dnn mpe 27.89 LSTM_xent_iter03_910h 27.99 模型训练中 六轮结束：26.06 slm解码（blm 19.x,解码变差，可选路径比较多）相对与baseline:18.x 七轮进行中： 测试集从1000句中挑的；

  • newschedule结论：速度快，但是效果会差些；
  • MPE的问题：

发现NAN，赋给一个0； NAN错误，根本原因还没有解决

TagModel

  • 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)；通用模型做的。

加多个Tag时，只有第一个Tag起作用，后面的没有起作用； gmerge，小韩测试，可以出多个，梦原需要核对一下脚本； 只有biglm时存在问题；

Tag方法要解决的问题： 语言模型没有覆盖到； 新的电影名称，人名； 将新的人名或电影名称加进去； 老的，如巩俐等，使用加重，weight是手工选的，不是统计的；

期望解决语料不足的问题，但是只能缓解，不能指望有太大的提高；

TagModel名词： Tag position 词表大小 Tag：人名 电影名 ... Position：借用语言模型中词； 词表大小：每个Tag中的词汇量；

原则： LM能解决的，就不要用Tag； Tag的词表尽量小； Position的选择：从发音词典中的词，计算PPL，排序，根据Tag的类型，找PPL最小的词，这些词作为Tag的Position；

问题是：都已解决 添加一个Tag，小词表范围上是可以的；验证是一致的，添加更多词条，100和10万，结果差不多；Tag的weight值，-1到-5； 添加多个Tag，目前小韩测试可以，梦原这有问题，之前马习应该已解决，需要对以下脚本；也已解决：fst上的标号乱了；

识别偏差大：舒淇；黄渤，韩国； G_merge，句式模型，有死循环；

先做一个测试集，最新的电影名： 统计Count； 几个Tag（尽可能少）：人名？电影名，电视剧？需要调整weight； 训练Tag模型测试；

LM和句式的Merge的实验？

振龙测试： 小米1.75模型，random语料； 在这个上加tag，按照梦原的方法； 选10个词，和梦原的一样； 加Tag，10万级； 但是识别结果比较离谱；

遗留： 根据句式，fst的compose，找到唯一路径，选择position； 在句式模型上，直接进行Tag处理；

  • 如果Tag中的词加入count，是否有效？

月度语言模型更新

  • 2015-9月,语料下载；

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:

Tag： 句式补充：赵涛在做； 词表整理：电影里面不是电影名的去掉；还没有做；

  • 小米线上模型：xiaomi_20150814 0.0175
  • 多选

调试已差不多了，速度也不慢了；

  • 速度慢

灵云SDK在查；

  • 识别后处理

勤威项目

  • 发布了一个模型：数据62H台湾POI，在6776MPE3上增量；尚未得到用户反馈；

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；

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

训练机更换第四块GPU卡？ 启动1400H的8K,DNN,大约1.6倍，正确率基本一样，没有下降； RNN的还不支持；

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

引擎修改多选输出； HCLG的可以了；CLG的还没有修改；

使用358H语料训练： PPL：66 CER：0.15073

准备：增加标注数据，整理数据，在迭代训训练；

平安项目

DNN_xent：1400H + 700H 18.16 DNN_mpe：1400H + 700H 16.87 CNN：15.37；引擎模型的打包工具已修改完，引擎提交测试；

目标有变化：坐席90%；客户：80%；原来是平均85%； 一个声学模型，两个语言模型，同时计算； 文本的自动分类：

声学模型895H，开始训练；从头开始训练，已训练完成DNN的MPE，准备再迭代一次MPE； 语言模型，需要话者分离，进行分类模型训练：正在做工具；

RNN

700H LSTM_new-sched_4400h 17.39 训练中，平安的数据 已训练完：17.13； MPE的问题已解决，已启动训练； 平安的数据，如果超过CNN的15.37，则可以商用；CNN MPE有迭代一次，没有明显提升；

训练算法

  • 梯度算法改进：

共有5个，clean数据训练，noise数据测试好；noise训练，noise数据测试，不如baseline不好；

  • batch normalization：

对隐藏输出，进行线性变换，再解码；效果是clean好，但是noise不好；

  • phone级识别算法

还在跑；需要接近Baseline，现在差10~20%；

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 LSTM_xent_iter08_1270h 中文：17.49 英文：48.06 基本已收敛：17.17% 英文 48.46% MPE训练已启动；

  • 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 第8轮： 中文：17.91；英文：38.69 第9轮： 中文：17.82；英文：36.38 Decision Tree Balance;

中文16K远场

  • 第三季度目标 2米有效角度内，WER:>88%

山东共达

鲁磊提供了远场声音增强的工具； 准备用近场声音处理后，进行一个模型的训练；

在使用232小时做实验；已训练完毕，测试集没有没有做增强，测试不好； 测试集是用共达芯片录制的，没有增强，正在查问题；

科声讯的方案

远场处理方案；Mic芯片； 芯片已到，先用已有的近场模型测试；

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

下载语料，训练模型，PPL：1000+ 16K模型：字错误率21.78

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：

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。"

用实际语料标注的8K测试，CER：88%； 声学和语言模型，均不匹配；

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，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；

word模型：3G+原Word+35H语料 4元 monphone模型： 4元 老的模型：word 3元，monphone 4元； 需要验证元数的影响：将monphone裁剪为3元；

word比monphone好，都是35小时的文本，4元； 42.5% 44% 请米吉提老师查一下monphone的分词是否正确？

分词有问题？

实验结论： 3元的monphone比word好2个点；

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

其他语种

蒙语 藏语 哈语 朝鲜语 彝族语 ASR和TTS，技术方案：客户提供数据，能否和学校合作：需要懂语言的人来处理数据； 翻译局：朗读

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；

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

  • 端点检测模型：4*400+500，MPE1： 
1、字正确率
引擎版本	字错误率	总数	错误	警告	缺失
r925	cer:0.229239308333;	allcount:28106;	subcount:1757;	addcount:889;	errcount:3797;
r946;	cer:0.23354443891;	allcount:28106;	subcount:1860;	addcount:881;	errcount:3823;
2、话者分离效果
引擎版本	时长	正确率	错误	警告	缺失
r925	all total:3429752.000000	correct:0.824830	err:0.051051	alarm:0.104936	miss:0.019183
r946	all total:3423533.000000	correct:0.810460	err:0.052723	alarm:0.103310	miss:0.033507
3、实时率：
本次使用引擎测试工具测试r946版本的质检引擎实时率约为0.283

MPE4的模型出来了，但是测试效果没有MPE1好； 需要测试以下MPE2，MPE3，找到一个最好的；

  • 聚类存在BUG，确认是不同数据库的精度造成的，是算法不太鲁棒；
  • 英达财险角色判定错误，需要定位问题；

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
  • 短语音的识别：
取自“http://cslt.org/mediawiki/index.php?title=Sinovoice-2015-09-08&oldid=16770”