NS
Size: a a a
2019 August 31
NS
лучше kaldi-ru видимо
V
О, шикарно
Мы на днях проверим и сравним эту модель с калди)
Она прям вот очень вовремя появилась, ибо до этого пытались на датасете voxforge_ru обучить и точность выше 20-30% не росла вот никак вообще
Мы на днях проверим и сравним эту модель с калди)
Она прям вот очень вовремя появилась, ибо до этого пытались на датасете voxforge_ru обучить и точность выше 20-30% не росла вот никак вообще
NS
Держите нас в курсе 😉
V
А никто больше не пробовал espnet обучить русскому языку?
V
https://github.com/akreal/espnet/tree/ru_open_stt/egs/voxforge/asr1
Мы пробовали с этими параметрами, но в оригинале там указан итальянский язык, с ним обучается очень хорошо, но на русском точность выше 30% не поднимается. Пробовали архитектуры из файла results - лучше не становится
Мы пробовали с этими параметрами, но в оригинале там указан итальянский язык, с ним обучается очень хорошо, но на русском точность выше 30% не поднимается. Пробовали архитектуры из файла results - лучше не становится
AZ
поожди-ка,если я правильно помню, воксфорж это база из порядка 30 часов диктовки? примерно все,что угодно будет лучше,чем модель на вокс форж,просто из-за нехватки данных.
t2
А никто больше не пробовал espnet обучить русскому языку?
Я сейчас обучаю
t2
Пока что делаю бенчмарк без аугментаций с иными параметрами
t2
Под аудиокниги обучилась практически идеально уже со второй эпохи, а вот телефония и радио до сих пор хромают, около 0.3-0.4 cer на худших из данных
t2
lm-составляющая видно что еще не дообучена
t2
Но вообще кажется что архитектура VGGBLSTMP с такими параметрами слишком сложная, можно добиться лучшего качества за меньшее количество ресурсов за счет аугментаций
t2
Бенчмарки покажут
V
поожди-ка,если я правильно помню, воксфорж это база из порядка 30 часов диктовки? примерно все,что угодно будет лучше,чем модель на вокс форж,просто из-за нехватки данных.
Да, это телефония
За неимением лучшей базы приходится это использовать, так как распознавание как раз и делается именно под телефонию
За неимением лучшей базы приходится это использовать, так как распознавание как раз и делается именно под телефонию
AZ
посмотрел, да,это то,что я думаю. В этой базе даже есть мой скромный вклад,несколько записей с нескольких устройств:)
Это 20 часов,и это не телефония. Обычно это записи с микрофонов ноутбуков. Этого совсем недостаточно. Нужно набрать сотню часов , чтобы калди дала что-то приятное. И,думаю, под тысячу часов для end2end-ов. Как вариант, можно взять из openstt, если правовой статус "украдено" допустим для вашей деятельности.
Это 20 часов,и это не телефония. Обычно это записи с микрофонов ноутбуков. Этого совсем недостаточно. Нужно набрать сотню часов , чтобы калди дала что-то приятное. И,думаю, под тысячу часов для end2end-ов. Как вариант, можно взять из openstt, если правовой статус "украдено" допустим для вашей деятельности.
V
А в open_stt разве есть нормально размеченные записи с телефонии? Те, что есть, имеют точность разметки 70%
AZ
ну это лучше,чем ничего. а воксфорж это ближе к "ничего".
t2
А в open_stt разве есть нормально размеченные записи с телефонии? Те, что есть, имеют точность разметки 70%
Ну они вычистили особенно плохие, я прям плохих не встречал
V
Хм, спасибо за информацию)
Тогда лучше их использовать
Но, я правильно понимаю, что при этом точности выше 70% не добиться? Т.к. данные изначально имеют такую точность, то даже если на валидации на этих же данных нейронка покажет 100% точности, то по факту она такой не будет
Тогда лучше их использовать
Но, я правильно понимаю, что при этом точности выше 70% не добиться? Т.к. данные изначально имеют такую точность, то даже если на валидации на этих же данных нейронка покажет 100% точности, то по факту она такой не будет
t2
Недавно выкладывались результаты на отдельных val сетах, там 81