文章目录一、语音识别的基础概念1. 什么是声学模型？2. 什么是语言模型？3. 什么是解码器4. 什么是音素5. 什么是状态6. 声学模型如何训练：7. htk和kaldi有什么异同二、在评估语音识别结果时，发现字正确率与错误率互相矛盾，如何抉择三、节选自《对话|俞栋：在人工智能的很多应用场景，语音识别是一个入口》四、语音识别的声学数据16k采样率，2万小时，大约占用硬盘1T大小五、语音识别的应
转载
2023-12-06 16:32:42
964阅读
注意： CUM_Sphinx的安装及使用看这篇帖子：本人的Linux系统为64位，Ubuntu18.04。 本人经理了好多坑才可以训练成最终的语言模型，在此记录下来供后来的人学习。 安装过程整理自以下帖子：Sphinx武林秘籍(中)――训练自已的中文语言模型与声学模型Android本地语音识别引擎PocketSphinx-语言建模https://zuoshu.iteye.com/blog/1413
转载
2024-04-29 13:40:21
1012阅读
探索语音识别新纪元：Julius 开源语音识别引擎 juliusOpen-Source Large Vocabulary Continuous Speech Recognition Engine项目地址:https://gitcode.com/gh_mirrors/jul/julius 项目介绍Julius 是一款高效且轻量级的大型词汇连续语音识别（LVCSR）解码器软件，专为研究者和开发者打造，
转载
2024-10-25 06:56:54
280阅读
vosk开源语音识别Vosk是开源的语音识别工具包。Vosk支持的事情包括：支持十九种语言 - 中文，英语，印度英语，德语，法语，西班牙语，葡萄牙语，俄语，土耳其语，越南语，意大利语，荷兰人，加泰罗尼亚语，阿拉伯, 希腊语, 波斯语, 菲律宾语，乌克兰语, 哈萨克语。移动设备上脱机工作-Raspberry Pi，Android，iOS。使用简单的 pip3 install vosk 安装。每种语言
转载
2023-12-08 11:18:07
218阅读
一、使用说明1.1 描述训练三音素
模型。与单音素
模型训练相比，因为建模单元变为三音素，因此多了决策树状态绑定。steps/deltas.sh
Usage: steps/train_deltas.sh <num-leaves> <tot-gauss> <data-dir> <lang-dir> <alignment-dir> <exp
转载
2024-06-25 17:07:10
960阅读
# 教你实现语音识别深度学习模型
在现代人工智能中，语音识别是一个非常热门的领域。本文将带你一步一步实现一个简单的语音识别深度学习模型。下面是实现整个流程的步骤概述：
| 步骤 | 说明 |
|------|------|
| 1 | 数据收集 |
| 2 | 数据预处理 |
| 3 | 特征提取 |
| 4 | 构建模型 |
| 5 | 训练模型 |
| 6
本发明涉及语音识别研究领域，尤其涉及一种语音识别模型的训练方法及装置。背景技术：随着计算机技术和人工智能技术的发展，让计算能听、能说，是未来人机交互的重要发展方向，其中语音成为最被看好的人机交互方式，而且利用语音技术进行人机交互比其他的交互方式有更多的优点；目前的语音识别技术中，语音的输入以标准普通话输入为准，目前的语音识技术对于普通话输入的语音识别的准确率很好，但是对于带有一些个人口音以及方言的
转载
2023-12-21 12:36:19
122阅读
Viterbi-EM语音识别训练方法 前文刚研究过语音识别特征提取以及基于Viterbi的状态解码方法，现着手研究基于GMM-HMM的语音语音识别声学模型训练方法，其理论部分可参考本人前期所写的GMM-HMM理论推导拖成，但上述推导过程是采用前后向算法更新模型参数，本人则主要采用Viterbi-EM训练方法对GMM中参数进行更新训练。 实际上该训练方法主要是针对GMM 中均
转载
2023-12-06 21:02:45
221阅读
1 语音识别基础1.1 声音特性声音是由物体振动产生的声波。是通过介质传播并能被人或动物听觉器官所感知的波动现象。最初发出振动的物体叫声源。声音以波的形式振动传播。声音是声波通过任何介质传播形成的运动。频率：是每秒经过一给定点的声波数量，它的测量单位为赫兹，1千赫或1000赫表示每秒经过一给定点的声波有1000个周期，1兆赫就是每秒钟有1,000,000个周期，等等。音节：就是听觉能够自然察觉到的
转载
2024-06-18 20:29:25
264阅读
阿里巴巴 2018 年开源的语音识别模型 DFSMN，将全球语音识别准确率纪录提高至 96.04%。DFSMN 模型，是阿里巴巴的高效工业级实现，相对于传统的 LSTM、BLSTM 等声学模型，该模型具备训练速度更快、识别更高效、识别准确率更高和模型大小压缩等效果。本场 Chat 的主要内容包括：语音识别流程简介Kaldi 的部署使用如何训练基于中文的 DFSMN 声学模型语音特征提取 MFCC
转载
2023-12-12 23:13:05
175阅读
明后两天就是公司一年一度的Fedex Day了。我的理解就是技术界的头脑风暴，idea喷如泉涌的盛大节日。 对于这次活动每个人或者两三个人一组需要有个idea，针对当前的产品现状，提出自己的改进或者丰富产品的想法，我拿出自己的手机并登了经常去的网站，语音识别这个名词脱颖而出，击中我的脑海。相比较以前手指时代的手工输入，各种在中英文乃至数字之间进行切换，往往还会因为走神或者手抖导致输入出错，然
首先说一下作为输入的时域波形。我们知道声音实际上是一种波。常见的mp3、wmv等格式都是压缩格式，必须转成非压缩的纯波形文件，比如Windows PCM文件，即wav文件来处理。wav文件里存储的除了一个文件头以外，就是声音波形的一个个点了。采样率越大，每毫秒语音中包含的点的个数就越多。另外声音有单通道双通道之分，还有四通道的等等。对语音识别任务来说，单通道就足够了，多了浪费，因此一般要把声音转成
转载
2024-07-17 07:15:08
552阅读
# Vosk语音识别：用Python实现自动语音转文本
在现代生活中，语音识别技术变得越来越重要。它可以用于语音助手、语音搜索、自动字幕生成等各种场景。Vosk是一个基于深度学习的开源语音识别工具包，它提供了一种简单而高效的方法来将语音转换成文本。本文将介绍如何使用Python和Vosk来实现自动语音转文本的功能。
## Vosk简介
Vosk是由Kaldi语音识别工具包的作者开发的一个开源
原创
2023-07-27 08:37:18
3289阅读
该程序中的录音地址是我的ISD1760中录的，你应该先录音到ISD1760中，在修改录音地址才能准确播放出来。对与SPI模式录的音可以通过按键模式放出来，这也是本人最近才知道的。在处理ISD1760录放音时，最容易出现地址错误导致录不进去，这是可以通过按键模式检测是否是地址错误。按一下播放键，如果led灯闪两下，说明没问题，如果是连续闪7下，说明地址错误，
Vosk作为一款开源的离线语音识别工具包，其核心特点可归纳为以下五个方面，结合多篇技术文档的实践与分析。
目录下载安装Speech SDK配置visual studio 2019项目环境测试能否运行解决运行报错修改Speech SDK文件的保存问题下载安装Speech SDK由于官网相关包已经无法下载，大家可自己寻找TTS.rar和TTSlang.rar两个包的资源安装好Speech SDK后，语音控制程序将被添加到 “控制面板”->“语音”选项中，利用下图对话框可以设置语音识别和文字-语音转换
Robin.ly 和 TalentSeer 的创始人 Alex Ren 采访了AI Lab的负责人刘扬教授，采访中分享了自然语言处理技术的一些分析，以及她对于流利说如何把技术利用在教育领域的感想。采访视频地址：https://youtu.be/rsIY2nuptD4下文是采访的文字整理。Alex: 大家好，我是Alex，是BoomingStar Ventures的管理合伙人，也是Robin.ly的
电脑玩多了，相信大家总会看到一个系统的名字——Linux。 不过，看到这个词，大家可能都不晓得该怎么读。怎么读？问百度。 Linux 英['lɪnəks] 美[ˈlinʊks] 这么看来，这个词的读法差不多应该是“里呢科斯”或者“李纽克斯”之类样子。不过不重要，因为有人说过：Linux是自由的，包括它的读
简要给大家介绍一下语音怎么变文字的吧。需要说明的是，这篇文章为了易读性而牺牲了严谨性，因此文中的很多表述实际上是不准确的。对于有兴趣深入了解的同学，本文的末尾推荐了几份进阶阅读材料。下面我们开始。首先，我们知道声音实际上是一种波。常见的mp3等格式都是压缩格式，必须转成非压缩的纯波形文件来处理，比如Windows PCM文件，也就是俗称的wav文件。wav文件里存储的除了一个文件头以外，就是声音波
转载
2024-07-17 07:18:41
154阅读
1.背景介绍语音识别技术，也被称为语音转文本技术，是一种将人类语音信号转换为文本信息的技术。它在人工智能、语音交互、语音搜索等领域具有重要的应用价值。随着人工智能技术的不断发展，语音识别技术也在不断发展和进步。语音识别技术的发展可以分为以下几个阶段：1950年代至1960年代：早期语音识别技术在这个阶段，语音识别技术主要基于手工设计的特征提取和匹配方法，如傅里叶变换、自然语言处理等。这些方法需要大
转载
2024-09-28 08:49:53
101阅读
