1.3 AI语音简介
AI语音既人工智能语音技术，以语音识别技术为开端，实现人机语言的通信，包括语音识别技术（ASR）、自然语言处理技术（NLP）和语音合成技术（TTS）。通俗点说就是通过语音这个媒介进行人与机器交互的技术就是人工智能语音技术。从上文不难看出，AI语音其实就是将人与人之间的语音交互，切换到人与机器的交互，发送人仍然是人，但接受人转换为机器了。1.3.1 AI
转载
2023-07-27 21:59:01
392阅读
PocketSphinx语音识别系统语言模型的训练和声学模型的改进zouxy09@qq.comhttp://blog.csdn.net/zouxy09 关于语音识别的基础知识和sphinx的知识，详细能够參考我的另外两篇博文：语音识别的基础知识与CMUsphinx介绍：http://blog.csd...
转载
2015-05-19 14:19:00
405阅读
ELMO全称为 embedding from language model，顾名思义从语言模型中获取词向量。之前的词向量方法的两个问题： 1.复杂的词特性，语法(pos任务)和语义(消歧)。 2.多义，不同上下文语境中词的语义不同。ELMO方法:使用大语料训练一个预训练语言模型；语言模型作为一个函数，不同句子输入时，输出不同的词向量表示，可以解决
注：本文以 C 调为例说明，G / V /5 都是指五级调内和弦有哪些级数定义：音阶上每隔一个音弹一个比如C大调的音阶是 1234567一级 135 C 二级 246 Dm...级数对应和弦见 和弦笔记所以我们每个音阶的调内和弦会有七种1 2 3 4 5 6 7C Dm Em F G Am Bdim...
原创
2022-08-08 23:00:55
219阅读
前置知识：
语音识别：
系统主要有四部分组成：信号处理和特征提取、声学模型、语言模型（Language Model, LM）和解码器(Decoder)。信号处理和特征提取部分以音频信号为输入，通过消除噪音、信道失真等对语音进行增强，将语音信号从时域转化到频域，并为后面的声学模型提取合适的特征。声学模型将声学和发音学的知识进行整合，以特征提取模块提取的特征为输入，生成声学模型得分。语
GMM-HMM声学模型实例详解GMM-HMM为经典的声学模型，基于深度神经网络的语音识别技术，其实就是神经网络代替了GMM来对HMM的观察概率进行建模，建模解码等识别流程的格个模块仍然沿用经典的语音识别技术
接下来我将从GMM、最大似然估计到EM算法实例，再到最后使用一段语音介绍GMM-HMM声学模型参数更新过程一、GMM (混合高斯分布)1、正态分布(高斯分布)如果你绘制出来的概率分布是一条钟型
小朋友们，我们上一节已经学完了Scratch【事件】模块，今天我们开始研究Scratch【声音】模块，声音模块更有趣哦！我们在做游戏的时候可以给游戏添加背景音乐，小朋友生日时做一个贺卡，给他录制一首生日歌。。。我们还可以对声音进行调整，例如调整 音量，调整 音调等。【注：音频文件的格式非常多，但是Scratch仅能识别两种格式：wav和mp3。如果库中没有合适的音乐，可自行录制。】先来认识一下今天
使用机器学习方法来训练模型，使用训练得到的模型来预测语音数据，进而得到识别的结果文本，这是实现语音识别产品的一般思路。 本文着重介绍通用语音识别产品对于数据的诉求。对数据的要求训练集相关要求，如下：地域，需要覆盖使用人群所在的地域，且数据的比例适中。口音，需要覆盖典型的口音。年龄，从18~60，覆盖各年龄段，且数据的比例适中。
很多国家对未成年人有非常严格的保护措施，因此收集未成年人的数据比
如何实现NLP ASR大模型
作为一名经验丰富的开发者，你将负责教会一位刚入行的小白如何实现"NLP ASR 大模型"。下面将给出整个实现过程的流程图，并详细解释每一步需要做什么，包括需要使用的代码和代码注释。
流程图如下所示：
```mermaid
flowchart TD
subgraph 准备工作
A[搭建开发环境]
end
subgraph
->语音识别(Speech Recognition)综述 上一篇文章重点介绍了基于深度学习的语音识别模型，这篇文章将介绍传统的GMM+HMM语音识别模型不了解HMM模型的同学可以阅读一下此文章->通俗理解隐马尔可夫模型（HMM） 文章目录1. 识别过程：2.训练过程： 1. 识别过程：识别过程属于HMM模型中的预测问题，识别一段语音（特征帧序列）的过程如下：穷举当前帧序列对应的所有可能
1、语音交互-示意图1（最简版） 科普：语音交互的过程 A）语音识别（Automatic Speech Recognition），一般简称ASR；是将声音转化为文字的过程，相当于人类的耳朵。B）自然语言处理（Natural Language Processing），一般简称NLP；是理解和处理文字的过程，相当于人类的大脑。上图中，写的是“语义理解”（Semantic understanding，
友) 开始学习CMU的sphinx，感觉做语音的好苦逼啊，至少对于我来说。 从网上找到一个不错的教程：Sphinx武林秘籍，我已经转过来了，这篇文章里就不在赘述了。 按照“武林秘籍”方法，我尝试构建自己的建议的语音命令控制系统，利用这个过程了解一下SPHINX。然而，在训练自己的声学模型时候，完全无法训练
原创
2021-12-10 16:53:24
698阅读
文章目录前言框架介绍框架结构及配置目录结构基础配置运行测试启动器测试用例CI集成设置运行页面总结 前言在介绍框架之前，先分析一下为什么我们需要端到端测试？ 在其他的博客中我们已经介绍过单元测试了，凭借着快照库和DOM抓取，对API的mock等操作，单元测试也可以达到对DOM状态的判断以及样式的断言，所以我们为什么还需要端到端测试呢？这就是黑盒与白盒的区别，白盒更注重数据的流动，黑盒更注重结果的展
文章目录一、数学模型1、由来2、unigram3、bigram4、trigram5、概率计算二、文本生成案例 一、数学模型1、由来语言模型起初是为了计算句子的合理性。在我们看来一句话是否合理主要还是判断其是否合乎语法，表达清晰，通俗的来讲就是：说的是不是人话。人为地判断虽然具有可行性，但是对于计算机来说，这无疑是对牛弹琴！于是自然语言处理界殿堂级缔造者贾里尼克提出使用概率来判断句子合理性，即：一
概要统计语言模型的目标是学习句子中词的联合概率，这其中有个非常严重的问题就是维度灾难。论文提出使用神经网络模型对词进行分布式表示：关联词汇表中的每个词，形成一个分布式词特征向量根据词序列中词的特征向量表示词序列的关联概率函数学习词特征向量和关联概率函数的参数特征向量可以表示词的不同方面，因为每个词都与向量空间中的一个点相关联。概率函数则是以词序列的条件概率表示，使用多层神经网络进行训练函数的参数。
摘要
语音是人们沟通交流最直接、最自然的交互方式。自计算机问世以来，人们就一直希望可以通过语音实现人和计算机之间的交互，而语音识别技术，目标就是通过把人类的语音中的词汇内容转换为相应的文本，架起了人机交互的桥梁。对于一个语音识别系统，速度和精度是两个核心指标，直接决定着系统是否可用。其中，识别速度的提升意味着可以降低成本，同时提供更多的语音服务，一直是语音识别技术研究的重点方向。在语音识别系统中，声学模型得分的运算量一般会达到整个系统的40%-70%，因此也是识别速度优化的重点模块。本文就来讲讲如何优化声学模型得分计算。
原创
2012-06-18 09:06:54
4025阅读
语音转写，顾名思义就是把语音转换成文本在实际的应用场景中，可以是讲演转文稿，可以是在IM工具交流，等等等等可以说，这项技术的出现，极大的解放了生产力，提高了工作、沟通效率今天这里拿出一个实例，大家一起看一看在这个应用场景中语音转文本所带来的便利对于记者朋友来说，一场发布会后整理出文字稿件永远是第一主题在以前，他需要在现场录制音频，回到单位后一句一句听写，纯人工转写，随后再一次形成报道那么现在
AI之语言模型语言模型n元语法n 元语法缺陷语言模型数据集读取数据集建立字符索引时序数据的采样随机采样相邻采样例题 一段自然语言文本可以看作是一个离散时间序列，给定一个长度为 T 的词的序列 ，语言模型的目标就是评估该序列是否合理，即计算该序列的概率： 本文介绍基于统计的语言模型，主要是 n 元语法（ n -gram）。在后续内容中，我们将会介绍基于神经网络的语言模型。 语言模型
文章目录Language Model IntroductionLM 的目标Chain Rule for Language ModelMarkov AssumptionLM计算实例（based 1st order）Language ModelLanguage Model: UnigramLanguage Model: BigramLanguage Model: N-gram估计语言模型的概率Uni
语言模型是很多自然语言处理应用的基石，非常多自然语言处理应用的技术都是基于语言模型。 语言模型的任务就是预测每个句子在语言中出现的概率。一、 评价方法语言模型效果好坏的常用评价指标时复杂度（perplexity）。在一个测试集上得到的perplexity越低，说明建模的效果越好。计算perplexity值的公式如下： 在语言模型的训练中，通常采用 perplexity 的对数表达式： 相比乘积求平
