趋近智

所有课程

高级语音识别与合成

章节 1: 现代语音处理流程的核心组成

高级音频特征提取

语音统计建模回顾

序列的深度学习结构

ASR 系统组成部分

文本转语音（TTS）系统的组成部分

评估指标的再审视

章节 2: 高级ASR声学建模

混合HMM-DNN系统

联结主义时间分类 (CTC)

注意力机制的编码器-解码器模型

RNN 转导器 (RNN-T)

用于自动语音识别的Transformer架构

高级训练方法

解码算法比较

动手实践：构建一个端到端ASR模型

章节 3: ASR中的语言建模与适应

ASR中的神经网络语言模型

浅层集成与深度集成

说话人适应技术

环境与信道适应

自动语音识别中的无监督和半监督学习

多语言和跨语言自动语音识别

实践：使用适应数据微调ASR

章节 4: 高级文本到语音合成

自回归声学模型 (Tacotron, Transformer TTS)

非自回归声学模型 (FastSpeech, ParaNet)

基于流的文本到语音合成模型

生成对抗网络（GANs）在文本到语音中的应用

韵律建模与控制

富有表现力的语音合成

声音克隆与转换

动手实践：训练高级TTS模型

章节 5: 神经网络声码器与波形生成

传统声码器的不足之处

自回归波形模型（WaveNet, WaveRNN）

基于流的声码器 (WaveGlow, FloWaveNet)

基于GAN的声码器（MelGAN, HiFi-GAN）

用于声码器的扩散模型

神经网络声码器的条件化

合成音频质量评估

动手实践：使用神经声码器

章节 6: 优化、部署与工具集

语音模型量化

模型剪枝与稀疏化

ASR/TTS 的知识蒸馏

优化推理引擎（ONNX Runtime, TensorRT）

流式ASR的部署考量

实时文本转语音（TTS）的部署考虑

语音处理工具包（ESPnet, NeMo, Coqui）概述

实践：优化语音模型

章节 6: 优化、部署与工具集

课程章节

6.1 语音模型量化
6.2 模型剪枝与稀疏化
6.3 ASR/TTS 的知识蒸馏
6.4 优化推理引擎（ONNX Runtime, TensorRT）
6.5 流式ASR的部署考量
6.6 实时文本转语音（TTS）的部署考虑
6.7 语音处理工具包（ESPnet, NeMo, Coqui）概述
6.8 实践：优化语音模型

© 2025 ApX Machine Learning