CERのタグをデータに付与して学習を行う

[fujimotos]

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）