自我介绍

目前从事语音识别、语音合成工作，努力向大牛们看齐，像蜗牛一步一步向上慢慢爬。希望在语音领域做出一点成绩，让这个世界因为我，哪怕而有一点点的不同。

基本信息

KeWhisper语音识别：基于Whisper优化中文语音识别能力，统一了不同采样率、离线在线识别、不同业务场景，并在业务上落地应用，字错误率相对下降约20%。模型开源belle-whisper 模型开源belle-distilwhisper
智能家居语音交互：打造完成“小海智家”智能家居产品。从零搭建智能家居语音识别能力，针对环境中的噪声、混响等复杂声学情况，针对高频命令控制的query，分别提出解决方案，实现高精度、低延迟的语音识别。
车载语音识别与交互：实现网约车全程录音语音识别能力。针对车载环境中的噪声、混响等复杂情况，通过数据仿真提升声学鲁棒性，通过引入端到端提升上下文建模能力。车载语音识别精度相对提升约50%。

端到端语音识别建模单元的研究：对于CTC、Attention这两类端到端的方法，分别对比了音素、音节、字不同尺度建模单元的性能；实验发现了一些有价值的结果，对不同条件下的语音识别应用有借鉴意义。发表论文
端到端语音识别系统的搭建与落地：基于Transformer框架搭建端到端的语音识别，将多任务学习应用到模型训练，联合Attention与CTC，提升系统训练的鲁棒性，系统达到了较高的性能；并且部署上线，落地到业务。

大数据条件下基于神经网络的语音合成及在明星音合成中的应用：实现多个百度地图导航播报明星音。在大规模语音数据条件下（几十甚至上百小时数据），完成神经网络模型训练。通过模型自适应等技术，实现明星音极小数据量条件下的高质量语音合成。
面向语音合成的数据清洗：语音合成对数据质量要求很高，面对海量数据，人工筛选更加不现实。利用语音识别技术识别语音数据并将识别结果与原始数据标注比对，计算相似度得分，将得分小于阈值的数据过滤。
基于深层神经网络的语音合成：利用深层循环神经网络实现从文本特征到语音声学特征的映射，取代了传统基于HMM的语音合成架构中的决策树和高斯模型，大幅提高了声学模型性能。
基于MGE的语音合成：基于HMM的参数语音合成中，将模型训练准则由最大似然准则（MLE）改为最小生成误差准则（MGE），提高了声学模型性能。

Zou W, Jiang D, Zhao S, et al. Comparable study of modeling units for end-to-end mandarin speech recognition[C]//2018 11th International Symposium on Chinese Spoken Language Processing (ISCSLP). IEEE, 2018: 369-373.pdf
Luo N, Jiang D, Zhao S, et al. Towards end-to-end code-switching speech recognition[J]. arXiv preprint arXiv:1810.13091, 2018. pdf
Guo T, Wen C, Jiang D, et al. DiDiSpeech: A Large Scale Mandarin Speech Corpus[J]. arXiv preprint arXiv:2010.09275, 2020. pdf
Chen G, Chai S, Wang G, et al. Gigaspeech: An evolving, multi-domain asr corpus with 10,000 hours of transcribed audio[J]. arXiv preprint arXiv:2106.06909, 2021. pdf
Tang Z, Wang D, Xu Y, et al. KeSpeech: An Open Source Speech Dataset of Mandarin and Its Eight Subdialects[J]. 2021.pdf
Wen C, Sun X, Zhao S, et al. ChatHome: Development and Evaluation of a Domain-Specific Language Model for Home Renovation. 2023,pdf

支付宝