ASR项目实战-项目交付历程

本文记录,作为项目主要负责人,完整参与语音识别项目的交付历程。

2019年12月中旬
接到项目交付任务,收集基本知识,启动业务分析工作。

2020年1月
完成竞品分析的整理。
梳理合作伙伴的清单,整理项目计划,启动和各合作伙伴的沟通工作。
启动架构方案、设计方案的准备工作。

2020年2月
和合作伙伴A谈好合作方案,基于云云对接的方式,启动项目交付工作。
架构设计、方案设计(文件转写)完成文档的输出和评审。
月底,支持短文件转写(即时长在60秒以内的语音文件)的服务,在生产环境顺利上线。

按照部门要求,后续按照月度版本的方式组织交付,即月初启动交付,月底完成版本发布和生产环境的变更。

本月版本交付的内容:

  • 短文件转写(即时长在60秒以内的语音文件)的服务。
  • 支持中文的识别。

2020年3月
基于云云对接的方式,支持长文件转写(即时长大于60秒,小于5小时的语音文件)的服务,在生产环境顺利上线。
端侧SDK的第一个版本,完成功能联调。

为支持端侧SDK的瘦身方案,本月启动了一个调测版本的开发工作。

本月版本交付的内容:

  • 支持长文件转写(即时长大于60秒,小于5小时的语音文件)的服务。
  • 输出运维数据。

2020年4月
支持端侧SDK的瘦身方案的版本,本月月底完成开发和交付,并在生产环境顺利上线。
基于集成模型的方式,在生产环境顺利上线如下服务:

  • 支持短文件转写(即时长在60秒以内的语音文件)的服务。
  • 支持实时语音识别(即时长在60秒以内的语音文件)的服务。

本月版本交付的内容:

  • 短文件转写(即时长在60秒以内的语音文件)的服务。
  • 实时语音识别的服务,支持时长在60秒以内。
  • 支持中文、英语的识别。
  • 集成业务运维系统。
  • 集成客户支撑系统。
  • 构建业务流量控制方案。
  • 完善运维数据。

2020年5月

本月版本交付的内容:

  • 例行更新语音识别的模型:
    • 更新中文的模型。
    • 更新英语的模型。
  • 扩充语种,增加对法语的支持。
  • 完善前处理阶段:
    • 支持重采样。
    • 支持多种音频格式,PCM、AAC、AMR。
  • 新增后处理阶段:
    • 支持数字格式归一化,支持中文、英语。
    • 支持标点符号,基于静音时长的规则。
    • 支持大小写,基于规则。
  • 完善运维数据。

2020年6月

本月版本交付的内容:

  • 例行更新语音识别的模型:
    • 更新中文的模型。
    • 更新英语的模型。
    • 更新法语的模型。
  • 完善后处理阶段:
    • 数字格式归一化,完善中文、英语对特定领域比如计算机、物理等词汇的支持。
  • 完善短文件转写服务:
    • 增加文本的时间偏移的特性。
    • 支持基于URL的方式,加载语音数据文件。

2020年7月

本月版本交付的内容:

  • 例行更新语音识别的模型:
    • 更新中文的模型。
    • 更新英语的模型。
    • 更新法语的模型。
  • 完善后处理阶段:
    • 数字格式归一化,增加法语的支持。
  • 完善运维能力,把一些复杂的配置项,通过运维系统来管理。

基于云云对接的方案,和合作伙伴B启动集成工作。

由于组织架构调整,项目人力有比较重大的调整,开发团队中的骨干开发人员离开项目,我变成了光标司令。
还好算法团队、测试团队仍然完整,并且战斗力很强。

2020年8月

基于集成模型的方式,在生产环境顺利上线如下服务:

  • 支持长文件转写(即时长在60秒以上,5小时以内的语音文件)的服务。
  • 支持实时语音识别(即时长在60秒以上,5小时以内的语音文件)的服务。

本月版本交付的内容:

  • 例行更新语音识别的模型:
    • 更新中文的模型。
    • 更新英语的模型。
    • 更新法语的模型。
  • 长文件转写服务。
  • 实时语音长时间识别服务。
  • 完善后处理:
    • 基于机器学习模型的方式支持标点符号特性。
    • 基于机器学习模型的方式支持大小写特性。
  • 基于合作伙伴B的能力,支持实时语音识别(时长小于60秒),支持4个小语种。

2020年9月
本版本的交付内容,合并至10月版本一并上线。

2020年10月

本月版本交付的内容:

  • 例行更新语音识别的模型:
    • 更新中文的模型。
    • 更新英语的模型。
    • 更新法语的模型。
  • 例行标点符号的模型:
    • 更新中文的模型。
    • 更新英语的模型。
    • 更新法语的模型。
  • 例行更新大小写的模型:
    • 更新中文的模型。
    • 更新英语的模型。
    • 更新法语的模型。
  • 完善文本时间偏移的实现,解决各种场景下不准确、不对齐的问题。
  • 完善系统的可靠性,解决各种奇怪的内存、死锁类的问题。
  • 完善运维系统。
    • 并发路数的分配和管理。
  • 使用逻辑集群的方式支持现有的4款产品,各产品支持独立扩容。
  • 优化文件转写的效率,降低端到端处理时延。

2020年11月

本月版本交付的内容:

  • 例行更新语音识别的模型:
    • 更新中文的模型。
    • 更新英语的模型。
    • 更新法语的模型。
  • 例行标点符号的模型:
    • 更新中文的模型。
    • 更新英语的模型。
    • 更新法语的模型。
  • 例行更新大小写的模型:
    • 更新中文的模型。
    • 更新英语的模型。
    • 更新法语的模型。
  • 完善系统的可靠性,解决时序不对齐导致的底层识别会话无法释放的问题。

2020年12月
本月版本交付的内容:

  • 扩充语种,支持西班牙语。
    • 集成语音识别的模型。
    • 集成标点符号的模型。
    • 集成大小写的模型。
    • 增加数字归一化。
  • 完善前处理阶段:
    • 扩充支持音频格式,增加speex。

启动项目交接,语音识别的项目进入维护状态。

2021年1月
正式离开项目。

总结
前期需求交付的路标规划不完整,因此对于人力的诉求,没有明确的估计,导致项目整个交付过程中,受限于人力,进度压力很大,加班很多,项目成员均有怨言。这是后续独立负责项目交付时的一个比较大的改进点。

posted @ 2023-12-30 12:09  jackieathome  阅读(76)  评论(0编辑  收藏  举报