CERのタグをデータに付与して学習を行う #9
Description
チケットのゴール
- 現在は抽出データに対して音声認識を適用し、文字誤り率
CER<=0.33を満たす発話のみで学習を行っている。- 抽出データの合計時間数は最初のリリース時点で49121時間。
- うち、
CER<=0.33を満たす発話は19039時間（38.7%） - 詳細な分布は以下のヒストグラムを参照。
- 一定の基準で足切りするのではなく、CERをタグとして学習データに組み込む。
- CERの高い（ノイズの大きい）データも学習に取り込めるようになる。
- 従来の方式に比べて頑健なモデルが得られる可能性がある。
- この方式を検証し、精度・ロバストネスが改善するか確認する。
参考: 抽出データのCER分布（49121時間）
