目录
开源的语音识别项目
端到端的多说话人语音识别序列化训练方法简介
2.2 基于排列不变性训练Permutation Invariant Training (PIT)的多说话人语音识别
所谓排列不变性训练是在AED的基础之上，添加多个output分支（通常支持几个人就有几个分支），文本序列和输出序列经过排列组合，两两计算损失，如图1（b）所示。
2.3 基于SOT的多说话人语音识别
SOT方法网络结构与AED完全相同，只有一个output分支，不同的是标签序列化方式。SOT引入了一个新标签speaker change<sc>，用于标记上下文中说话人的改变，如图1(c,d)所示，标签的生成可以简单的以说话人出现的顺序作为依据，依次序列化，碰到说话人切换就添加一个<sc>特殊标签，损失依然采用交叉熵。这样一个output就能输出多个说话人识别结果，实现简单，效果提升明显。
新一代 Kaldi: Two-pass 实时语音识别
2nd-pass: 使用一个非流式模型。当 1st-pass 检测到一个 endpoint 之后，把上一个 segment 的音频送给非流式模型解码，然后把结果做为这个 segment 最终的结果.
Two-pass 既可以结合流式模型延迟小的优点，又可以利用非流式模型识别率高的优点。