我正在使用 CRIS 进行 POC，我们正在构建一个语音机器人，并希望针对动态条件和实时场景训练我们的机器人。
正如在 CRIS 中提到的，我们可以通过构建自定义声学模型来克服背景噪音障碍，我也想达到同样的目的。
我基于大约 4.5 小时的长度构建了 2 个自定义语音模型。第一个模型基于没有背景噪音的干净音频文件。第二个模型基于相同的音频文件，其中叠加了噪声。
上下文中的语言是简单的英语，没有特定的词汇。
两个模型的数据集相同，唯一的区别是在第二个模型的数据集中，所有文件都叠加了静态背景噪声。
我根据叠加有噪音的音频文件进行了准确性测试，但结果很奇怪。第二个模型给了我 93% 的 WER，第一个模型给了我 100% 的 WER，这对我来说真的很奇怪，因为第一个模型是针对背景噪声而不是第一个模型进行训练的，理论上第二个模型应该比第一个模型给出更少的 WER .
由于我无法在 CRIS 中看到幕后发生的事情，我想知道 CRIS 是否在背景噪音的情况下给出了有效的结果，或者它真的有效，如果是，那么我在尝试多次相同的结果时做错了什么。
首先，93% 的 WER 非常高，只有在听音频时你几乎听不懂它才会发生。
我的理解是您创建了 3 个数据集：
我假设 training_2 和 test_1 中的噪声相似。注意：您不能在 training_2 中添加人工噪声并在 test_1 中使用真实噪声。训练数据必须代表测试数据。
如果我做对了，当您使用通过 training_1 训练的模型解码 test_1 中的音频时，您会得到 93% 的 WER。当您使用通过 training_2 训练的模型解码 test_1 时，您会得到 100% 的 WER。如果您使用我们的基线模型（Microsoft 对话模型）解码 test_1，您会得到什么结果？您可以简单地创建一个新的准确度测试来获得这个值。
如果您想分享更多详细信息和数据，请联系我们（链接位于https://cris.ai/底部）。我们可以仔细看看出了什么问题。
感谢您对自定义语音服务的关注。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句