用的是 paraformer-large-vad-punc 音频版本，识别结果经常出现多句话粘成一句话的问题
比如我说了一句话，安静了四五秒，再说另一句话，识别出来算是一句话，没有办法能很好地分开成两句话
现在出来了大量的这种问题，很多话被连成一句话，很影响效果
vad 模型是不是效果不太好啊？ 有什么参数可以设置吗？
求教
paraformer-large-vad-punc
2023-09-28
75
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《
阿里云开发者社区用户服务协议》和
《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写
侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介：
用的是 paraformer-large-vad-punc 音频版本，识别结果经常出现多句话粘成一句话的问题比如我说了一句话，安静了四五秒，再说另一句话，识别出来算是一句话，没有办法能很好地分开成两句话现在出来了大量的这种问题，很多话被连成一句话，很影响效果vad 模型是不是效果不太好啊？ 有什么参数可以设置吗？求教
相关文章
|
7月前
|
机器学习/深度学习
编解码
算法
图像超分：RFB-ESRGAN（Perceptual Extreme Super Resolution Network with Receptive Field Block）
图像超分：RFB-ESRGAN（Perceptual Extreme Super Resolution Network with Receptive Field Block）
155
0
0
|
2月前
|
机器学习/深度学习
Web App开发
人工智能
轻量级网络论文精度笔(一)：《Micro-YOLO: Exploring Efficient Methods to Compress CNN based Object Detection Model》
《Micro-YOLO: Exploring Efficient Methods to Compress CNN based Object Detection Model》这篇论文提出了一种基于YOLOv3-Tiny的轻量级目标检测模型Micro-YOLO，通过渐进式通道剪枝和轻量级卷积层，显著减少了参数数量和计算成本，同时保持了较高的检测性能。
41
2
2
|
算法
PyTorch
算法框架/工具
论文解读：LaMa:Resolution-robust Large Mask Inpainting with Fourier Convolutions
论文解读：LaMa:Resolution-robust Large Mask Inpainting with Fourier Convolutions
719
0
0
paraformer支持设置 speech_noise_threshold 这个参数吗 ？
请问：speech_paraformer-large-vad-punc_asr_nat-zh-cn-16k-common-vocab8404-pytorch
这个模型支持设置 speech_noise_threshold 这个参数吗 ？
vad 本身是支持的，但对这个集成的模型好像不起作用？
如果支持，应该如何正确地设置呢 ？
如果不支持，那该模型有没有什么方法可以过滤掉背景噪声？
经常会有背景噪声被识别出文字
64
0
0
|
人工智能
自然语言处理
PyTorch
使用Unit Scaling进行FP16 和 FP8 训练
Unit Scaling 是一种新的低精度机器学习方法，能够在没有损失缩放的情况下训练 FP16 和 FP8 中的语言模型。
224
0
1
|
机器学习/深度学习
算法
图形学
Deep learning based multi-scale channel compression feature surface defect detection system
简述：首先应用背景分割和模板匹配技术来定义覆盖目标工件的ROI区域。提取的感兴趣区域被均匀地裁剪成若干个图像块，每个块被送到基于CNN的模型，以分类杂乱背景中不同大小的表面缺陷。最后，对空间上相邻且具有相同类别标签的图像块进行合并，以生成各种表面缺陷的识别图。
153
0
0
《Audio Tagging with Compact Feedforward Sequential Memory Network and Audio-to-Audio Ratio Based Data Augmentation》电子版地址
Audio Tagging with Compact Feedforward Sequential Memory Network and Audio-to-Audio Ratio Based Data Augmentation
83
0
0
|
数据挖掘
Re15：读论文 LEVEN: A Large-Scale Chinese Legal Event Detection Dataset
Re15：读论文 LEVEN: A Large-Scale Chinese Legal Event Detection Dataset
313
0
0
|
计算机视觉
ITK 基础(二) — 图像分割 General Threshold
上篇文章介绍了 ITK 中的二值化分割，最终得到的是 二值图像（图像中只有两种像素值）
但有时我们会遇到另外一种需求，只改变某一阈值范围的像素值，其他部分保留；这时二值化分割已经满足不了我们的基本需求了，需要寻求另外一种方法。
本篇教程介绍 ITK 中的 General Threshold ，是二值化的改进版，可以只改变某一范围内的像素值，并且其它范围内像素值得到保留。
445
0
0
|
机器学习/深度学习
算法
数据挖掘
Paper：He参数初始化之《Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet C》的翻译与解读
Paper：He参数初始化之《Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification》的翻译与解读
152
0
0
热门文章
最新文章
1
Hadoop迁移MaxCompute神器之DataX-On-Hadoop使用指南
2
Nginx的启动、停止与重启
3
Hive之数据倾斜的原因和解决方法
4
开发人员各级岗位胜任力模型
5
Node.js 中流操作实践
6
传奇龙版地图查看器
7
调整DC的网络对网络是否会有影响?
8
How to maintain Oracle10g Recyclebin?
9
你知道自己感染了恶意软件吗？
10
Groovy 快速入门
1
Python学习的自我理解和想法（9）
89
2
Kimi 上线视觉思考模型，K1 系列强化学习模型正式开放，无需借助外部 OCR 处理图像与文本进行思考并回答
99
3
CosyVoice 2.0：阿里开源升级版语音生成大模型，支持多语言和跨语言语音合成，提升发音和音色等的准确性
78
4
Megrez-3B-Omni：无问芯穹开源最强端侧全模态模型，支持理解图像、音频和文本三种模态数据
50
5
FreeScale：无需微调即可提升模型的图像生成能力，生成 8K 分辨率的高质量图像
37
6
Freestyler：微软联合西工大和香港大学推出说唱音乐生成模型，支持控制生成的音色、风格和节奏等
36
7
《C 语言与统计假设检验：洞察人工智能模型性能差异》
82
8
《C 语言赋能：物联网环境下人工智能应用的能耗优化之道》
21
9
《C 语言助力神经网络剪枝：优化模型的卓越之道》
25
10
《C 语言复数运算：赋能人工智能信号处理新境界》
20