趋近智
语音识别入门
章节 1: 语音识别的基本原理
什么是自动语音识别（ASR）？
自动语音识别系统简史
语音识别处理流程的组成要素
语音识别的类型：说话人相关型与说话人无关型
语音识别的分类：孤立词识别与连续语音识别
计算机如何处理声音：数字音频基础
语音单位与言语基本组成部分简介
章节 2: 处理音频信号
从声波到数字数据：采样与量化
了解音频格式（WAV、MP3、FLAC）
语音可视化：波形图与频谱图
预加重与分帧
窗口函数详解
特征提取简介
生成梅尔频率倒谱系数 (MFCC)
动手实践：音频文件可视化与处理
章节 3: 声学模型
什么是声学模型？
将声音映射到音素
早期方法：高斯混合模型 (GMMs)
隐马尔可夫模型 (HMM) 在序列数据中的应用
GMM与HMM的结合
基于神经网络的声学模型介绍
语音模型在ASR系统中的作用
章节 4: 语言模型
什么是语言模型？
语音中的歧义问题
N-gram 语言模型：二元语法和三元语法
词语序列概率的计算
困惑度详解
语言模型如何提高准确性
神经网络语言模型简介
章节 5: 解码与系统集成
解码器的作用
确定最可能的词语序列
搜索算法概览
理解维特比算法
完整的ASR流程：回顾
评估表现：词错率 (WER)
语音识别中的常见挑战
章节 6: 构建你的第一个语音识别应用程序
语音识别API与库简介
配置Python环境
使用预训练模型进行转录
从文件中转录音频
实时获取并转录麦克风输入
处理 API 响应和错误
实践：构建一个简单的语音命令工具
使用预训练模型进行转录
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 2020), Vol. 33 (Neural Information Processing Systems (NeurIPS)) DOI: 10.48550/arXiv.2006.11477 - 介绍了像 Wav2Vec 2.0 这样模型中使用的语音表示自监督学习方法。
- Automatic Speech Recognition with 🤗 Transformers, Hugging Face team, 2024 (Hugging Face) - 解释如何使用
transformers库进行 ASR 的官方文档，涵盖pipelineAPI 和模型选择。 - Speech and Language Processing (3rd edition draft), Daniel Jurafsky and James H. Martin, 2025 (Stanford University) - 一本涵盖语音识别基础知识的教材，包括声学特征、隐马尔可夫模型和神经网络方法。