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：评估和构建演示应用
这部分内容有帮助吗？
- Speech and Language Processing (3rd ed. draft), Daniel Jurafsky, James H. Martin, 2025 - 在一部广受认可的教材中，详细解释了包括词错率（WER）在内的自动语音识别（ASR）评估指标。
- jiwer: Compute Word Error Rate (WER) and other Automatic Speech Recognition (ASR) metrics - Documentation, Nik Vaessen, 2024 -
jiwerPython 库的官方文档，提供了计算 ASR 性能指标的用法示例和技术规范。 - Transformers Library - Documentation, Hugging Face team, 2024 - Hugging Face Transformers 库的官方文档，提供了使用预训练模型和
pipelineAPI 执行 ASR 等任务的详细指南。 - Robust Speech Recognition via Large-Scale Weak Supervision, Alec Radford, Jong Wook Kim, Tao Xu, Greg Brockman, Christine McLeavey, and Ilya Sutskever, 2022 arXiv preprint arXiv:2212.04356 DOI: 10.48550/arXiv.2212.04356 - 介绍了 Whisper 模型，这是一个在大型多样化数据集上训练的多任务语音识别模型，因其出色的性能被用于演示应用程序中。