趋近智
应用语音识别
章节 1: 数字音频与语音入门
自动语音识别系统介绍
人类语音的特性：音素和同位音
数字音频信号：采样、量化与编码
在 Python 中使用 Librosa 处理音频数据
时域与频域分析
语音可视化中的语谱图入门
实践操作：加载与可视化音频波形
章节 2: 语音识别的特征提取
特征提取在ASR中的作用
梅尔频率倒谱系数 (MFCC)
MFCC的逐步计算
滤波器组和对数梅尔频谱图
特征归一化技术
MFCCs与频谱图作为输入特征的比较
实践：从数据集中提取和归一化特征
章节 3: 基于深度神经网络的声学建模
自动语音识别中的声学模型概述
使用循环神经网络构建声学模型
使用LSTM和GRU处理序列难题
联结主义时序分类 (CTC) 损失
实现基于CTC的ASR模型
动手实践：使用 CTC 训练一个简单 LSTM 声学模型
章节 4: 高级声学模型与架构
用于语音识别的注意力机制
自动语音识别 (ASR) 中的序列到序列 (Seq2Seq) 模型
听觉、注意与拼写 (LAS) 架构
自动语音识别中的 Transformer 模型概述
Conformer：结合卷积神经网络与Transformer
预训练ASR模型概述
实践：微调预训练ASR模型
章节 5: 语言模型与解码
语言模型在自动语音识别中的作用
N-gram 语言模型
使用 KenLM 构建 N-gram 模型
模型整合的解码图
解码算法：贪心搜索与集束搜索对比
结合语言模型实现束搜索
动手实践：将语言模型集成到 CTC 解码器中
章节 6: ASR系统的评估与部署
ASR 性能评估指标：词错误率 (WER) 和字符错误率 (CER)
计算词错率
语音数据的常用增强方法
使用Hugging Face流水线进行ASR
使用 Gradio 构建语音转文本应用
实时流式ASR的考虑事项
实践：评估和构建演示应用
实践：微调预训练ASR模型
这部分内容有帮助吗？
- wav2vec 2.0: A Framework for Self-Supervised Learning of Speech Representations, Alexei Baevski, Henry Zhou, Abdelrahman Mohamed, Michael Auli, 2020 Advances in Neural Information Processing Systems (NeurIPS) DOI: 10.48550/arXiv.2006.11477 - 介绍了Wav2Vec 2.0的模型结构及其自监督预训练方法，这是本微调部分的核心模型。
- Hugging Face Transformers Library Documentation, Hugging Face, 2024 -
transformers库的官方文档，用于实现微调流程、模型加载和Trainer设置。 - Attention Is All You Need, Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin, 2017 Advances in Neural Information Processing Systems (NeurIPS) DOI: 10.48550/arXiv.1706.03762 - 提出Transformer架构，它是Wav2Vec 2.0等先进声学模型的核心组件。
- Connectionist Temporal Classification: Labelling Unsegmented Sequence Data with Recurrent Neural Networks, Alex Graves, Santiago Fernández, Faustino Gomez, Jürgen Schmidhuber, 2006 Proceedings of the 23rd International Conference on Machine Learning (ICML) (ACM) DOI: 10.1145/1150447.1150493 - 阐述了连接时间分类（CTC）算法，该算法是用于语音识别Wav2Vec 2.0微调的损失函数。