基于自定义模型的沃森语音文本转换的低精度

Question

沃森会话服务没有识别我的accent.Therefore，我使用了一个自定义模型，下面是使用自定义模型前后的结果。

测试结果

在整合模型之前:-当你有他们的座右铭时。希拉。贾巴在..。那个女人。这个。

在整合模型之后:-我们给了Omatta David。斯里兰卡。贾巴在..。数。州长

实际音频- 音频 49，Wijayaba Mawatha，Kalubowila，Dehiwela，Sri Lanka.Government.Gov。

我是如何包含自定义模型的--我在socket.js中使用了演示socket.js中给出的相同文件，我包括了自定义id，如picture.There中所示，还有其他方式包含自定义模型(集成自定义模型的方法)，但我想知道我所做的方法是否正确？

下面是我用来创建自定义模型的python代码。代码链接

下面是以JSON格式执行python代码后的语料库结果。语料库文件

这是定制模型(代码中包含的自定义模型文本文件)，在那里我已经包括了斯里兰卡的所有道路。

我对文件进行了分叉，并按以下方式编辑了socket.js。

​

​

Answer 1

首先，除非我遗漏了什么，否则您说的几个单词实际上不会出现在corpus1.txt文件中。显然，服务需要知道你期望它转录的单词。

接下来，该服务面向更常见的语音模式。一个任意名称的列表是很困难的，因为它无法根据上下文猜出一个单词。这通常是自定义语料库提供的内容，但在这种情况下不起作用(除非您碰巧按照它们在语料库中出现的确切顺序读取它们--即使这样，它们也只出现一次，并且没有任何服务已经识别的上下文)。

为了弥补这一点，除了定制单词的语料库外，您可能还需要为其中的许多单词提供一个sounds_like来表示发音：http://www.ibm.com/watson/developercloud/doc/speech-to-text/custom.shtml#addWords。

这是相当多的工作(必须对服务没有正确识别的每个单词进行处理)，但是应该可以提高您的结果。

第三，您提供的音频文件有相当数量的背景噪声，这将降低您的结果。一个更好的麦克风/录音位置/等将有所帮助。

最后，用准确的听写和尽可能接近“标准”的美国英语口音更清晰地说话，也有助于提高结果。

Answer 2

我看到的主要问题是音频很吵(我在后台听到火车轨道)。第二个问题是从语料库中提取的OOV单词应该检查其发音的准确性。第三个问题可能是说话人的口音问题(我想你使用的是美国英语模式)，而且口音的英语也有问题。至于自定义模型培训数据，您可以尝试重复培训数据中的一些单词(以便对新单词给予更多的权重)。

托尼·李IBM演讲团队