мне к сожалению нужно на tensorflow сделать

ну тогда бери версию от мозиллы.

я её не пробовал, и лишний геморрой я не люблю, соответственно, в чём отличия версий я не знаю.
знаю, что версия для TF умеет читать MP3, а про версию для pytorch я не знаю.
(432 часа от mozilla common voice идут в mp3)

вообще, такой нюанс по количеству данных:
рост качества отмечается примерно до 6000 часов, потом уже роста почти нет.
дальше качество нужно языковой моделью улучшать -- ещё на 10% вроде бы можно в среднем ошибку уменьшить.

ок, то есть 460 часов это недостаточно

ну как недостаточно... я сначала на мелких датасетах учил, все по очереди, с AN4, потом Voxforge.

ну будет поменьше точность, но не критично. плохо то, что она будет оверфитить на конкретные голоса.

соответственно, на меньшем корпусе натренируешь, у тебя будет там низкий WER, но при проверке его на большем корпусе WER вырастет для сильно отличающихся голосов.

https://github.com/SeanNaren/deepspeech.pytorch/issues/214#issuecomment-356981707 вот ещё по поводу качества дискуссия с хорошим ответом.

а какая у тебя разница между train и test accuracy?

увы, я сейчас не могу посмотреть данные на том компе, где всё лежит, только послезавтра.

на train я не смотрю WER, смотрю только на val и test.

ну натренируй просто несколько языков на генерацию в виде IPA, нет?
>Выдирать из Wiktionary транскрипцию ручками это дикость
ну скрипт напиши... не забывай, что до 90% ML/DL — это предобработка данных. модель натренировать — это меньше 50% всех усилий!

да я спросил может уже есть.

уточнил. на выходе с первой свёртки 32 канала длиной по 61, на выходе со второй свёртки 32 канала длиной 21 , т.е. 672 числа, и да, ещё по временной оси time / 4:
torch.Size([BZ, 32, 21, t/4])

p.s. чем удобны свёртки? смотри, фонема "т" имеет паузу в 90 мс, потом происходит взрывной звук (аналогично, но короче — "к"). временная свёртка может сразу это учесть, вместо того, чтобы 5-9 шагов в RNN делать. свёртка может точно определить момент начала и окончания фонемы, итп — двумерные картинки проще распознавать CNN, а вот RNN потом уже учитывает индивидуальные особенности.
но в общем я прикинул, и мне теперь понятно, почему ширину RNN увеличивать со стандартной 800 без увеличения выхода свёртки бесполезно, там узкое место появляется.

так, я немного обсчитался. у меня WER на clean около 10.5% (CER 2.857%) получается с датасетом в 2000 часов, 26 эпохами обучения и аугментацией после 10 эпохи.

с чуть-чуть другой версией test.py: Average WER 9.778       Average CER 2.617 , и учится дальше. тяжело отлаживать баги в DL 🙂

что, админов у нас нет в этой группе?

@yuri_baburov дай мне права, буду по мере возможности помогать