Этого не говорили
Скорее всего такой прайс из-за того, что надо собирать и готовить данные под русский язык и плюс они скорее всего не хотят вообще сотрудничать, вот и заломили ценник

Мы для них мелковаты будем)) Да даже сбербанк какой тоже им вряд ли будет интересен

А кто вы, простите? :)

Некоторая компания, которая занимается разработкой чат ботов (как голосовых, так и непосредственно в мессенджерах/чатах) в основном для call-центров пока что)

Не понимаю как так получается, что в 0.6 есть слово, например "автограф", но при этом: "phone "f" is not in {, non}silence.txt"
И таких фонем несколько. Как это работает?

nonsilence.txt неправильно сделан

исходный словарь видимо не тот, в моем nonsilence есть f

То есть акустика их возвращает, а здесь мы сами описываем то, что ожидает языковая модель?

Ну можно и так считать. На самом деле просто скрипты неправильно работают.

вот такой должен быть nonsilence

Понятно. Скрипты скриптами, просто прояснил для понимания. Спасибо!

Specom 2020 will be in SPB

http://www.specom.nw.ru/2020

В тему клонирования голоса по 5-7 секундам речи человека: я выше скидывал статью с хабра на эту тему https://habr.com/ru/post/465941/ в ней автор выложил дообученную на русском языке английскую модель в открытый доступ. Я её запустил, протестил, в итоге: не каждый голос копируется очень хорошо, плюс очень часто синтезатор тупо глотает слова или окончания, ещё большие проблемы с интонацией и ударениями, а иногда даже в прямом смысле английский акцент появляется))

Есть у кого мысли, как можно побороть эти проблемы?

В частности сейчас очень интересно то, какую фразу лучше всего надиктовывать на вход, что бы получить корректный синтез. Т.к. если на вход подать одну из фраз в обучающей выборке (там в репо пример есть), то нормально синтезируется почти любой текст

Вероятно, фраза должна содержать все возможные сочетания фонем русского языка, но я в этом не уверен, и если это так - то где такую найти)

И ещё мы тут немного ошиблись в подсчёте wer для espnet и kaldi, и пересчитали его заново на нашем тестовом датасете из телефонии на 1 час. Вот результаты, если кому интересно (гугл для эталона):
Google Speech API
WER = 0.33,   SER = 0.911
С парсером чисел
WER = 0.31,   SER = 0.911
———
Kaldi
WER = 0.44, SER = 0.911
———
ESPnet
WER = 0.22, SER = 0.75

В итоге готовая модель для espnet, обученная на датасете open_stt (там около 7000 часов аудио разного качества) показывает лучшую точность работы, чем другие. Мы пробовали обучать espnet отдельно только на телефонии (там около 20 часов), но результат был хуже: wer около 37-38%

Интересный результат, но насчет 37% на 20 часах что-то не верится. и 22% тоже смущают.

А чем смущают?

37% - т.к. изначально у нас было 2 часа тестового датасета из телефонии, мы 1 час докинули к обучающей выборке, а второй оставили для валидации

Ну если люди пересекаются, то может быть.

Но готовая модель то точно никак не персекается с нашим датасетом

Но на фоне других движков у ESPnet есть большой минус: он походу не умеет работать с потоковым аудио. Не могу найти инфу/примеры работы с микрофоном в их репо именно в режиме потока (например, как это сделано в pocketsphinx, где произносишь фразу и он по мере произношения её распознаёт)