Возможны ли динамические n-граммы в CMU sphinx?

[w3264]

хехе, пофиг, все наоборот, добавка даже одного фрейма ухудшает какчество распознавания

[w3264]

а нет, нормальненько так какие-то лишние 5-6 фреймов спереди улучшают детект первого слова на порядок ...

вы собираетесь фиксить это в ближайшее время или мне самому у себя подкрутить?

Сообщение отредактировано: w3264 - 13.02.16, 06:58

[w3264]

добрый день)

есть ли где-нибудь описание маркеров фонем?
типа чем отличается а от aa, от ay ... чем отличается r от rr ...

[zamir]

Добрый вечер

https://github.com/zamiron/ru4sphinx/blob/m...istic_questions
https://en.wikipedia.org/wiki/Formant
https://ru.wikipedia.org/wiki/%D0%A0%D1%83%...%B8%D0%BA%D0%B0

[w3264]

спасибо)

[w3264]

добрый день)

как можно оптимизировать детект ключевых слов?

одно ключевое слово, задается через ключ -keyphrase
при -kws_threshold 1e-10 много пропусков слова, которое есть в потоке - много несрабатываний
при -kws_threshold 1e-30 много ложных детектов
середина указанного диапазона не приносит морального удовлетворения тоже)

что можно сделать?

пс. тестирование ведется в зашумленной обстановке

Сообщение отредактировано: w3264 - 10.03.16, 11:41

[nsh]

Ключевое слово подлиннее придумать

[w3264]

Цитата nsh @ 11.03.16, 08:20

Ключевое слово подлиннее придумать

могу скинуть .wav, около 3 секунд, в тишине очетливо произносится слово, kws не детектится

[nsh]

Это можно было сделать ещё 10 марта.

[w3264]

10 марта я надеялся на лучшее), а только уже сегодня решил поплотнее глянуть на внутренность kws_search.c и то что там творится

https://yadi.sk/d/nvkFC8EqqATo5

[nsh]

pocketsphinx_continuous -infile robot_failed.wav -keyphrase "робот" -kws_threshold 1e-10 \
-hmm zero_ru_cont_8k_v3/zero_ru.cd_cont_4000 -dict zero_ru_cont_8k_v3/ru.dic  -samprate 8000
..
INFO: cmn_prior.c(131): cmn_prior_update: from < 11.64  0.15 -0.04  0.17 -0.40 -0.03 -0.50 -0.13 -0.33 -0.11 -0.19 -0.10 -0.24 >
INFO: cmn_prior.c(149): cmn_prior_update: to   <  8.24  0.41 -0.08  0.02 -0.21 -0.10 -0.29 -0.17 -0.22 -0.11 -0.14 -0.07 -0.05 >
INFO: kws_search.c(658): kws 0.12 CPU 0.045 xRT
INFO: kws_search.c(660): kws 0.13 wall 0.045 xRT
робот
INFO: cmn_prior.c(131): cmn_prior_update: from <  8.24  0.41 -0.08  0.02 -0.21 -0.10 -0.29 -0.17 -0.22 -0.11 -0.14 -0.07 -0.05 >
INFO: cmn_prior.c(149): cmn_prior_update: to   <  8.24  0.41 -0.08  0.02 -0.21 -0.10 -0.29 -0.17 -0.22 -0.11 -0.14 -0.07 -0.05 >
INFO: kws_search.c(467): TOTAL kws 0.12 CPU 0.045 xRT
INFO: kws_search.c(470): TOTAL kws 0.13 wall 0.045 xRT

[w3264]

извиняюсь, сразу не сказал

тестирую без параметра kws_threshold, т.е. с его значением по умолчанию равным 1

наговариваю последовательно слово, детект идет с таким значением порога вполне нормальный, в какой-то момент он пропадает, совершенно необъяснимым образом

попробую тоже самое сделать с порогом 1e-10, возможно получится воспроизвести поток с недетектом

пс. недетектов при пороге 1e-10 на порядок меньше, да, и что самое плохое - они плохо воспроизводятся если из поток поднимать из записанного файла - ибо конечно кое-что уже меняется, подстройки того же cnm ... погоняю еще, если получится воспроизвести - отпишусь

в любом случае - спасибо за ответы)

Сообщение отредактировано: w3264 - 14.03.16, 13:50

[w3264]

увеличил на слог ключевое слово, стал хороший детект почти без ложных срабатываний даже на 1e-20, спасибо), правда нужно еще поглядеть на работу в разных акустических условиях ...

интересно, есть ли опыт генерации языковой модели?
скажем, текст для обучения в основном состоит из нагенеренных n-грамм.

насколько это эффективно?
есть ли методики описывающие, как лучше формировать языковую модель таким образом?
интересует также возможность подключения статистики по n-граммам

[w3264]

добрый день)

есть ли в планах на текущий момент интеграция dnn?

[nsh]

Цитата

есть ли в планах на текущий момент интеграция dnn?

Нет