8-15ASR

最新推荐文章于 2022-08-30 16:50:14 发布
最新推荐文章于 2022-08-30 16:50:14 发布
阅读量594 收藏
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_29439985/article/details/52213926
版权

1         perl printf STDERR

2          

source

unigrams

Units.txt

lexicon_numbers.txt

7196

211

8874

7772 的

1878 了

1554 在

1224 有

1181 也

1103 我

1057 是

1020 和

965 一

917 他

877 为

803 而

772 与

749 又

 

<NSN> 1

<SPN> 2

a1 3

a2 4

a3 5

a4 6

a5 7

aa 8

ai1 9

ai2 10

ai3 11

ai4 12

ai5 13

an1 14

an2 15

<NOISE> 1

<SPOKEN_NOISE> 2

<UNK> 2

一 91 61

一万 91 62 189 167

一万元 91 62 189 167 208 196

一万多 91 62 189 167 32 184

一下 91 62 209 69

一下子 91 62 209 69 210 121

一两 91 64 125 78

一个 91 62 59 36

一个人 91 62 59 36 146 45

一个劲 91 62 59 36 123 95

 

 

 

generate

Wordlist_mapped

Word_map

Wordlist.txt

Unigram counts

8876

8876

8874

8874

A

B

C

C

D

E

F

G

H

I

J

K

L

M

N

<s> A

</s> B

<UNK> C

的 C

了 D

在 E

有 F

也 G

我 H

是 I

和 J

一 K

他 L

<NOISE>

<SPOKEN_NOISE>

<UNK>

一

一万

一万元

一万多

一下

一下子

一两

一个

一个人

一个劲

一个半月

一个月

7773 的

1879 了

1555 在

1225 有

1182 也

1104 我

1058 是

1021 和

966 一

918 他

878 为

804 而

773 与

 

 

3        tail -n +$heldout_sent | tee~/heldout 从行号为heldout_sent开始打印

tail -n 20 filename显示filename最后20行。

 

4          

 gunzip -c $dir/train.gz | tail -n 10000 | \

    get_raw_ngrams 3 | sort | uniq -c | uniq_to_ngrams | tee ~/uniq | \

    sort | tee ~/before_discount | discount_ngrams $subdir/config.get_ngrams| tee ~/after_discount | \

    sort | merge_ngrams | gzip -c > $subdir/ngrams.gz   

5        Uniq -c  ：进行计数

 

6          

语言模型建立的过程

 

 

 

get_raw_ngrams

sort | uniq -c

uniq_to_ngrams

 

3train

 

 

 

 

 

D=0 tau=0 phi=1

D=0 tau=0 phi=1

D=1 tau=0 phi=1

 

4train

 


 

 

 

 

 

D=0 tau=0 phi=1

D=0 tau=0 phi=1

D=1 tau=0 phi=1

D=1 tau=0 phi=1

 

 

log: line=     *         13.42

log: ngram_order=1

log: history=          *         13.42

log: predicted=*  13.42

log: count=13.420000

 

log: line=     B         0.16

log: ngram_order=1

log: history=          B         0.16

log: predicted=B  0.16

log: count=0.160000

 

            *         13.42

log: line=     BR      0.79

log: ngram_order=1

log: history=          BR      0.79

log: predicted=BR           0.79

log: count=0.790000

 

            B         0.16

log: line=     BYH    0.16

log: ngram_order=1

log: history=          BYH    0.16

log: predicted=BYH        0.16

log: count=0.160000

 

            BR      0.79

log: line=     BaI     0.16

log: ngram_order=1

log: history=          BaI     0.16

log: predicted=BaI          0.16

log: count=0.160000

 

            BYH    0.16

log: line=     Bbo    0.16

log: ngram_order=1

log: history=          Bbo    0.16

log: predicted=Bbo        0.16

log: count=0.160000

 

            BaI     0.16

log: line=     Bg       0.16

log: ngram_order=1

log: history=          Bg       0.16

log: predicted=Bg           0.16

log: count=0.160000

 

            Bbo    0.16

log: line=     BgN   0.16

log: ngram_order=1

log: history=          BgN   0.16

log: predicted=BgN        0.16

log: count=0.160000

 

            Bg       0.16

log: line=     BjQ    0.16

log: ngram_order=1

log: history=          BjQ    0.16

log: predicted=BjQ         0.16

log: count=0.160000

 

            BgN   0.16

log: line=     D         0.16

log: ngram_order=1

log: history=          D         0.16

log: predicted=D 0.16

log: count=0.160000

 

            BjQ    0.16

log: line=     EG      0.16

log: ngram_order=1

log: history=          EG      0.16

log: predicted=EG          0.16

log: count=0.160000

 

            D         0.16

log: line=     Gh      0.16

log: ngram_order=1

log: history=          Gh      0.16

log: predicted=Gh          0.16

log: count=0.160000

 

            EG      0.16

log: line=     H         0.16

log: ngram_order=1

log: history=          H         0.16

log: predicted=H 0.16

log: count=0.160000

 

            Gh      0.16

log: line=     JH       0.16

log: ngram_order=1

log: history=          JH       0.16

log: predicted=JH           0.16

log: count=0.160000

 

            H         0.16

log: line=     Ph      0.16

log: ngram_order=1

log: history=          Ph      0.16

log: predicted=Ph           0.16

log: count=0.160000

 

            JH       0.16

log: line=     a         0.16

log: ngram_order=1

log: history=          a         0.16

log: predicted=a  0.16

log: count=0.160000

 

            Ph      0.16

log: line=     c          0.16

log: ngram_order=1

log: history=          c          0.16

log: predicted=c  0.16

log: count=0.160000

 

            a         0.16

log: line=     dV      0.16

log: ngram_order=1

log: history=          dV      0.16

log: predicted=dV          0.16

log: count=0.160000

 

            c          0.16

log: line=     dl        0.16

log: ngram_order=1

log: history=          dl        0.16

log: predicted=dl 0.16

log: count=0.160000

 

            dV      0.16

log: line=A  *         0.89

log: ngram_order=2

log: history=A       *         0.89

log: predicted=*  0.89

log: count=0.890000

 

            dl        0.16

log: line=A  Bbo    0.11

log: ngram_order=2

log: history=A       Bbo    0.11

log: predicted=Bbo        0.11

log: count=0.110000

 

A         *         0.89

log: line=BR           *         1.78

log: ngram_order=2

log: history=BR     *         1.78

log: predicted=*  1.78

log: count=1.780000

 

A         Bbo    0.11

log: line=BR           EG      0.11

log: ngram_order=2

log: history=BR     EG      0.11

log: predicted=EG          0.11

log: count=0.110000

 

BR      *         1.78

log: line=BR           dV      0.11

log: ngram_order=2

log: history=BR     dV      0.11

log: predicted=dV          0.11

log: count=0.110000

 

BR      EG      0.11

log: line=BYH         *         0.89

log: ngram_order=2

log: history=BYH  *         0.89

log: predicted=*  0.89

log: count=0.890000

 

BR      dV      0.11

log: line=BYH         D         0.11

log: ngram_order=2

log: history=BYH  D         0.11

log: predicted=D 0.11

log: count=0.110000

 

BYH    *         0.89

log: line=BaI          *         0.89

log: ngram_order=2

log: history=BaI    *         0.89

log: predicted=*  0.89

log: count=0.890000

 

BYH    D         0.11

log: line=BaI          Ph      0.11

log: ngram_order=2

log: history=BaI    Ph      0.11

log: predicted=Ph           0.11

log: count=0.110000

 

BaI     *         0.89

log: line=Bbo         *         0.89

log: ngram_order=2

log: history=Bbo  *         0.89

log: predicted=*  0.89

log: count=0.890000

 

BaI     Ph      0.11

log: line=Bbo         c          0.11

log: ngram_order=2

log: history=Bbo  c          0.11

log: predicted=c  0.11

log: count=0.110000

 

Bbo    *         0.89

log: line=Bg            *         0.89

log: ngram_order=2

log: history=Bg     *         0.89

log: predicted=*  0.89

log: count=0.890000

 

Bbo    c          0.11

log: line=Bg            Gh      0.11

log: ngram_order=2

log: history=Bg     Gh      0.11

log: predicted=Gh          0.11

log: count=0.110000

 

Bg       *         0.89

log: line=BgN        *         0.89

log: ngram_order=2

log: history=BgN  *         0.89

log: predicted=*  0.89

log: count=0.890000

 

Bg       Gh      0.11

log: line=BgN        B         0.11

log: ngram_order=2

log: history=BgN  B         0.11

log: predicted=B  0.11

log: count=0.110000

 

BgN   *         0.89

log: line=BjQ         *         0.89

log: ngram_order=2

log: history=BjQ   *         0.89

log: predicted=*  0.89

log: count=0.890000

 

BgN   B         0.11

log: line=BjQ         BgN   0.11

log: ngram_order=2

log: history=BjQ   BgN   0.11

log: predicted=BgN        0.11

log: count=0.110000

 

BjQ    *         0.89

log: line=D  *         0.89

log: ngram_order=2

log: history=D       *         0.89

log: predicted=*  0.89

log: count=0.890000

 

BjQ    BgN   0.11

log: line=D  a         0.11

log: ngram_order=2

log: history=D       a         0.11

log: predicted=a  0.11

log: count=0.110000

 

D         *         0.89

log: line=EG           *         0.89

log: ngram_order=2

log: history=EG    *         0.89

log: predicted=*  0.89

log: count=0.890000

 

D         a         0.11

log: line=EG           BYH    0.11

log: ngram_order=2

log: history=EG    BYH    0.11

log: predicted=BYH        0.11

log: count=0.110000

 

EG      *         0.89

log: line=Gh           *         0.89

log: ngram_order=2

log: history=Gh    *         0.89

log: predicted=*  0.89

log: count=0.890000

 

EG      BYH    0.11

log: line=Gh           BR      0.11

log: ngram_order=2

log: history=Gh    BR      0.11

log: predicted=BR           0.11

log: count=0.110000

 

Gh      *         0.89

log: line=H  *         0.89

log: ngram_order=2

log: history=H       *         0.89

log: predicted=*  0.89

log: count=0.890000

 

Gh      BR      0.11

log: line=H  Bg       0.11

log: ngram_order=2

log: history=H       Bg       0.11

log: predicted=Bg           0.11

log: count=0.110000

 

H         *         0.89

log: line=JH *         0.89

log: ngram_order=2

log: history=JH     *         0.89

log: predicted=*  0.89

log: count=0.890000

 

H         Bg       0.11

log: line=JH BaI     0.11

log: ngram_order=2

log: history=JH     BaI     0.11

log: predicted=BaI          0.11

log: count=0.110000

 

JH       *         0.89

log: line=Ph           *         0.89

log: ngram_order=2

log: history=Ph     *         0.89

log: predicted=*  0.89

log: count=0.890000

 

JH       BaI     0.11

log: line=Ph           BR      0.11

log: ngram_order=2

log: history=Ph     BR      0.11

log: predicted=BR           0.11

log: count=0.110000

 

Ph      *         0.89

log: line=a   *         0.89

log: ngram_order=2

log: history=a        *         0.89

log: predicted=*  0.89

log: count=0.890000

 

Ph      BR      0.11

log: line=a   H         0.11

log: ngram_order=2

log: history=a        H         0.11

log: predicted=H 0.11

log: count=0.110000

 

a         *         0.89

log: line=c   *         0.89

log: ngram_order=2

log: history=c        *         0.89

log: predicted=*  0.89

log: count=0.890000

 

a         H         0.11

log: line=c   JH       0.11

log: ngram_order=2

log: history=c        JH       0.11

log: predicted=JH           0.11

log: count=0.110000

 

c          *         0.89

log: line=dV           *         0.89

log: ngram_order=2

log: history=dV    *         0.89

log: predicted=*  0.89

log: count=0.890000

 

c          JH       0.11

log: line=dV           dl        0.11

log: ngram_order=2

log: history=dV    dl        0.11

log: predicted=dl 0.11

log: count=0.110000

 

dV      *         0.89

log: line=dl *         0.89

log: ngram_order=2

log: history=dl      *         0.89

log: predicted=*  0.89

log: count=0.890000

 

dV      dl        0.11

log: line=dl BjQ    0.11

log: ngram_order=2

log: history=dl      BjQ    0.11

log: predicted=BjQ         0.11

log: count=0.110000

 

dl        *         0.89

dl        BjQ    0.11







7         统计程序运行的时间

FILE *fp = fopen(“log.txt”,”w”);

time_t begin = clock();

time_t end = clock();

fprintf(fp,"log: latgen-faster the running time is : %fms\n", (double)(end -begin)*1000/CLOCKS_PER_SEC);

fclose(fp);

 

8         修改文件格式

替换

ed 's/}/\n/g' test.txt >enter.txt

sed 's/:\s//g' map.txt > map_1.txt

:%s/\n/ /g

删除

sed -i '/^,\s{"license"/d' enter.txt

打印列

awk -F '"' '{print $5 $7}' enter.txt >map.txt

9         Git上传环境备份


 

 s

qq_29439985
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
NVIDIA NeMo - 实现 ASR/TTS
编码时光
03-01 1275
关于 NVIDIA NeMo 通过NeMo快速实现ASR语音识别模型 推理 0 导入NeMo及asr工具类 1.1 加载Quartznet自动语音识别模型 1.2 传入音频文件 — 进行语音识别 1.3 使用ASR_mertrics工具库对预训练模型识别结果计算准确率 训练 2 采集数据制作数据集 2.1 录制语音文件： 2.2 制作数据清单格式要求： 2.3 加载数据清单 2.4 加载quartznet配置文件 2.5 将数据清单传给配置文件 3 训练模型 3.1 使用迁移学习的方法训练模型 3.2模型的
SimIt-ARM-3.0 ARM指令模拟器
09-08
-rw-r--r-- 1 root root 160 Sep 8 10:15 hello.c [root@ORA9 gcc-asm]# file hello hello: ELF 32-bit LSB executable, ARM, version 1 (ARM), for GNU/Linux 2.4.3, statically linked, not stripped [root@ORA9...
code-switching论文笔记 TOWARDS CODE-SWITCHING ASR FOR END-TO-END CTC MODELS
qing101hua的专栏
09-10 1659
微软语言中心+JHU TOWARDS CODE-SWITCHING ASR FOR END-TO-END CTC MODELS 摘要： 尽管单语和多语自动语音识别(ASR)的端到端(E2E)模型已经取得了很大的进展，但就我们目前所知，还没有对E2E模型在具有挑战性的句内码转换(CS) ASR任务方面的成功研究。在本文中，我们提出了一种利用E2E连接体时间分类(CTC)模型来实现CS ASR...
论文阅读《SEMI-SUPERVISED ASR BY END-TO-END SELF-TRAINING》
WuJia_的博客
07-27 715
《SEMI-SUPERVISED ASR BY END-TO-END SELF-TRAINING》 链接：https://pan.baidu.com/s/1aYgZxWZuaNba-azxUaAyog 提取码：bo0m 论文题目《端到端自训练半监督ASR》 作者 杨晨-俄亥俄州立大学 王蔚然-Salesforce研究 王超-亚马逊亚历山大 摘要 基于深度学习的端到端自动语音识别（ASR）系统虽然大大简化了建模流程，但存在数据稀疏问题。在这项工作中，我们提出了一个端到端系统的半监督ASR自训练方法。
[源码解析]ESPnet脚本源码解析-aishell-asr.sh
的博客
04-04 4213
这段代码是ESPnet案例里面的aishell的asr里面的运行总脚本asr.sh 传送门 解析参数 #!/usr/bin/env bash # Set bash to 'debug' mode, it will exit on : # -e 'error', -u 'undefined variable', -o ... 'error in pipeline', -x 'print commands', set -e set -u set -o pipefail log() { local f
ASR6601:国产M4内核LoRa SoC-ASR6601硬件设计指导
liuxi6410的博客
08-30 2298
关于ASR6601 LORA芯片设计
Low Resource ASR: The surprising effectiveness of High Resource Transliteration--低资源ASR：高资源音译的惊人效果
weixin_45091943的博客
08-09 955
Interspeech2021中提到的一种利用音译的方法来解决低资源语言环境下的端到端语音识别的文章
软件系统设计-15-架构设计
SpriCoder的博客
04-13 1889
软件系统设计-15-架构设计
（IS 19）Feature exploration for almost zero-resource ASR-free keyword spotting using a multilingual b
Pandade
04-18 411
会议：INTERSPEECH 2019 论文：Feature exploration for almost zero-resource ASR-free keyword spotting using a multilingual bottleneck extractor and correspondence autoencoders 作者：Raghav Menon, Herman Kamper, ...
Cisco ASR 9000 Router IOS XR Software - 7.5.1(ED) 下载
sysin | SYStem INside
12-13 730
边缘网络为数十亿台设备提供低延迟服务。您需要功能丰富的路由器，可以根据带宽需求经济地扩展。ASR 9000 系列是您的边缘路由设备，能够支持满足 5G 服务需求所需的应用性能。
ASR系统PPT教学课件.pptx
10-06
ASR系统的主要目标是控制驱动轮的滑转率，即车轮速度与车身速度之差与车轮速度的比例，一般控制在8%~15%的范围内，以保证车辆在加速时能够保持方向稳定性和最大的驱动力。滑转率与纵向附着系数密切相关，当滑转率在...
ASR驱动防滑控制PPT教学课件.pptx
10-06
此外，ABS在车速低于8km/h时效果减弱，而ASR在整个行驶过程中都在监控，但当车速过高（如80~120km/h）时，ASR的干预效果也会降低。 ASR系统与ABS的协同工作进一步提升了汽车的安全性能。两者共享轮速传感器，当检测...
电机矢量_电机_KP_12_8电机_电机矢量_AphirR_
09-30
Pn=2200W Un=380V fn=50Hz J=0.19Kg·m2 磁极对数p=2定子电阻：0.435ohm 电感0.002H 转子电阻：0.816ohm 电感0.002H Lr=Lm+Llr=0.069+0.002=0.071励磁电感：Lm=0.069HTr=0.087=Lr/Rr=0.071/0.816调节器参考值ASR的 ...
NT5CC256M16EP-EK数据手册
05-13
* 自动自我刷新（ASR）通过DRAM内置的TS * 自动刷新和自我刷新模式 * 电源节省模式 * 可编程功能 信号完整性 DDR3 SDRAM具有以下信号完整性特点： * 可配置的DS（数据stroke）以确保系统兼容性 * 可配置的ODT（on...
LGK160I（2T4T）.pdf
06-20
LGK160I（2T4T）.pdf
小波神经网络MATLAB仿真模拟源程序
06-20
小波神经网络MATLAB仿真模拟源程序 人工智能学习 MATLAB小波神经网络仿真模拟程序
tensorflow-gpu-2.8.2-cp37-cp37m-win-amd64.whl
最新发布
06-20
format在python中的用法
PyOpenGL-3.1.6-cp310-cp310-win-amd64.whl
06-20
PyOpenGL-3.1.6-cp310-cp310-win_amd64.whl，之前的下载PyOpenGL网页消失了。
tl-2728asr
08-24
TL-2728ASR 是一款具有高性能的语音识别模块。它采用了先进的语音识别技术，能够实现高准确率的语音识别任务。 TL-2728ASR 模块具备强大的语音处理能力，可以对用户的语音输入进行实时处理和识别。无论是单个词语的识别，还是连续语音的识别，它都表现出了出色的性能。同时，该模块也支持多种语音识别模式，包括静态唤醒，关键词识别等。 另外，这款模块还内置了大量的词汇和语音模型，以便更好地适应不同领域和场景的语音输入。经过训练后，TL-2728ASR 可以快速识别并转化为文字，方便后续的处理和应用。 在应用方面，TL-2728ASR 模块可以广泛用于智能家居、智能机器人、智能助手等场景中。用户可以通过语音来控制设备，与机器人进行交流，或者使用语音输入进行文字处理等等，极大地提高了用户操作的便利性和效率。 总结起来，TL-2728ASR 是一款高性能的语音识别模块，具备准确率高、实时性强和适应性好等特点。在智能化的应用场景中，它能够提供快速、精准的语音识别服务，为用户带来更好的使用体验。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值