t2
В моей голове не складываются вместе понятия "общедоступная языковая модель" и "Google Speech API"
Да, кажется слово "языковых" тут лишнее
Size: a a a
2019 September 02
V
Спасибо, буду знать)
AΛ
@Vladis_kl тогда можете и ЦРТ-шное облако попробовать.
AΛ
Где-то в истории была ссылка
V
А у них есть бесплатный лимит?
V
Гугл взяли, т.к. он на проде сейчас используется
V
Ну и относительно нормально работает по конверсии звонков, т.е. его ошибки распознавания не особо влияют на понимание абонента
AΛ
А у них есть бесплатный лимит?
Какой-то лимит есть, но точно не помню.
AΛ
В облаке у ЦРТ есть https://cp.speechpro.com/home
AZ
Собственно, если кому интересно, вот результат сравнения общедоступных русскоязычных моделей для распознавания речи на датасете из телефонии (максимально приближенный к реальности):
1. ESPnet (модель open_stt): WER: 49.48%, SER: 95.33%
2. kaldi (модель v0.6): WER: 45.89%, SER: 92.36%
3. Google Cloud Speech API (приведен в качестве эталона): WER: 33.28%, SER: 91.09%
1. ESPnet (модель open_stt): WER: 49.48%, SER: 95.33%
2. kaldi (модель v0.6): WER: 45.89%, SER: 92.36%
3. Google Cloud Speech API (приведен в качестве эталона): WER: 33.28%, SER: 91.09%
Вай-вай-вай, после таких подписей в таких табличках в некоторых кругах ходят мнения, что "kaldi распознает речь хуже tensorflow":)
AZ
Это,кстати, приведенная дословно цитата.
AZ
Какой-то лимит есть, но точно не помню.
Кажись,8 часов.
V
Вай-вай-вай, после таких подписей в таких табличках в некоторых кругах ходят мнения, что "kaldi распознает речь хуже tensorflow":)
Ахахахахах, штаа) какая "интересная" фраза))
AS
Собственно, если кому интересно, вот результат сравнения общедоступных русскоязычных моделей для распознавания речи на датасете из телефонии (максимально приближенный к реальности):
1. ESPnet (модель open_stt): WER: 49.48%, SER: 95.33%
2. kaldi (модель v0.6): WER: 45.89%, SER: 92.36%
3. Google Cloud Speech API (приведен в качестве эталона): WER: 33.28%, SER: 91.09%
1. ESPnet (модель open_stt): WER: 49.48%, SER: 95.33%
2. kaldi (модель v0.6): WER: 45.89%, SER: 92.36%
3. Google Cloud Speech API (приведен в качестве эталона): WER: 33.28%, SER: 91.09%
@Vladis_kl протестите нас тоже, если не сложно https://github.com/TinkoffCreditSystems/tinkoff-speech-api-examples
Ключ можно получить на https://voicekit.tinkoff.ru
Ключ можно получить на https://voicekit.tinkoff.ru
V
@Vladis_kl протестите нас тоже, если не сложно https://github.com/TinkoffCreditSystems/tinkoff-speech-api-examples
Ключ можно получить на https://voicekit.tinkoff.ru
Ключ можно получить на https://voicekit.tinkoff.ru
К сожалению, обещать не могу, но постараемся :) Т.к. сейчас все силы и ресурсы брошены на обучение espnet на датасете asr_public_phone_calls1
2019 September 04
AO
Никто дел с https://github.com/gooofy/kaldi-adapt-lm не имел? Собрал модель поверх 0.6, а на выходе имею:
ERROR (online2-tcp-nnet3-decode-faster[5.5.20~1-5cd5]:DecodableNnetLoopedOnlineBase():decodable-online-looped.cc:46) Input feature dimension mismatch: got 13 but network expects 20
Не могу понять, где что-то пошло не так.
ERROR (online2-tcp-nnet3-decode-faster[5.5.20~1-5cd5]:DecodableNnetLoopedOnlineBase():decodable-online-looped.cc:46) Input feature dimension mismatch: got 13 but network expects 20
Не могу понять, где что-то пошло не так.
NS
mfcc.conf не тот
AO
Из 0.6 подтягивался по идее.
—use-energy=false
—sample-frequency=8000
—num-mel-bins=20
—num-ceps=20
—low-freq=100
—high-freq=3700
—use-energy=false
—sample-frequency=8000
—num-mel-bins=20
—num-ceps=20
—low-freq=100
—high-freq=3700
AO
А. Оказалось поправил не все пути. Взлетело, спасибо.
2019 September 05
MW
Собственно, если кому интересно, вот результат сравнения общедоступных русскоязычных моделей для распознавания речи на датасете из телефонии (максимально приближенный к реальности):
1. ESPnet (модель open_stt): WER: 49.48%, SER: 95.33%
2. kaldi (модель v0.6): WER: 45.89%, SER: 92.36%
3. Google Cloud Speech API (приведен в качестве эталона): WER: 33.28%, SER: 91.09%
1. ESPnet (модель open_stt): WER: 49.48%, SER: 95.33%
2. kaldi (модель v0.6): WER: 45.89%, SER: 92.36%
3. Google Cloud Speech API (приведен в качестве эталона): WER: 33.28%, SER: 91.09%
Че такое ser и wer?