第一次參加chime的自然場景多人對話遠場語音識別評測
主要負責數據增強和音頻信號處理
衝着高分去的，但由於最終的transcriptions包含了特殊symbol, 本來達到了既定目標，但修改之後最終結果並沒有達到預期，
有幾點記錄一下：
1. GSS + ASR alignment是能穩定提升1.5%的識別率的，取決於用什麼ASR模型進行alignment了，這個的目的就是去找有效音，因爲原始的用時間戳的對齊方法，對每一幀他是不會標註出“靜音”幀的。 vad同理能在這裏取得不錯的效果，但是沒有ASR的好。 GSS alignment在pb_chime5 需要改一下數據處理的不穩已經標註部分，但是chime-7大概率換了批數據，所以這個算法以後大概率不會在用到了，畢竟比現在的pit,danet等算法更不實用，出來的音頻更失真。把GSC修改成mask-based會更好
2.根據房間參數生成RIR會更好
3.cnn-tdnnf還是王道
4.這種比賽還是對同一場景下的數據過擬合會更好
5.Separation的作用與BF搭配能超越傳統BF，利用separation 估計一個mask出來再傳入bf，能比市面上任何BF都好
6.沒有實驗ROVER的fusion結果，但lattice-combine 能達到不錯的結果，我相信ROVER應該會更好
7.wpe做stft時需要做fading和pad，不然效果會不好，甚至雪崩
8.做alignment時要把subsample設置爲1
9.GSS多換換麥克風的stacking的組合方式，比如，12, 23結果比較好
結果已經出來啦， 大家可以去看各自的paper，學他們的方法， 我們雖然成績不靠前，但是也有自己與衆不同的地方，哈哈哈