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
动手实践：将语言模型集成到 CTC 解码器中
这部分内容有帮助吗？
- Connectionist Temporal Classification: Labelling Unsegmented Sequence Data with Recurrent Neural Networks, Alex Graves, Santiago Fernandez, Faustino Gomez, Jürgen Schmidhuber, 2006 Proceedings of the 23rd International Conference on Machine Learning (ICML) (ACM) DOI: 10.1145/1150447.1150501 - 引入连接时序分类的原始著作，该算法是语音识别等序列到序列问题的核心。
- KenLM: Faster and Smaller Language Model Queries, Kenneth Heafield, 2011 Proceedings of the Sixth Workshop on Statistical Machine Translation DOI: 10.3115/2145437.2145443 - 描述了KenLM工具包，它是用于语音识别系统中解码的n-gram语言模型的有效实现。
- Speech and Language Processing, Daniel Jurafsky and James H. Martin, 2025 (Prentice Hall) - 涵盖语音识别的经典教材，内容包括语言建模、集束搜索算法及其在ASR系统中的集成。
- pyctcdecode Documentation, Kensho Technologies, 2021 (Kensho Technologies) -
pyctcdecode库的官方文档，它方便了在实际操作中通过集束搜索将KenLM与CTC输出集成。