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
解码算法：贪心搜索与集束搜索对比
这部分内容有帮助吗？
- 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 (ACM) DOI: 10.1145/1143844.1143891 - 介绍了连接时序分类（CTC）损失函数，这是文中讨论的“空白”标记和后处理的基础，并详细阐述了相关的解码算法，包括贪婪搜索和集束搜索。
- Speech and Language Processing, Daniel Jurafsky and James H. Martin, 2025 - 这是一本全面的教科书，详细解释了语音识别，包括贪婪搜索和集束搜索等解码算法，以及语言模型在ASR中的作用。第10章“语音识别”和第12章“语音合成、统计模型和ASR深度学习”尤为相关。
- Practical End-to-End Speech Recognition with Beam Search, Veronica Tozzo, Federico Tomasi, Margherita Squillario, Annalisa Barla, 2018 arXiv preprint arXiv:1811.09673 DOI: 10.48550/arXiv.1811.09673 - 本文提供了端到端语音识别的实践概述，特别关注了基于CTC的集束搜索解码以及语言模型的集成，直接涵盖了本节的核心主题。