语音识别（Speech Recongnition）

• Speech Recongnition
  
• TTS（Text-to-Speech），属于Speech Synthesis

  典型模型Tacotron，用的是一个典型的 Seq2Seq + Attention 的模型架构。它输出还会有个后处理（Post-processing）才会产生声音频谱（spectrogram）。
  
  CBHG结构（G2P，Grapheme-to-Phoneme，字素到音素）：
  

SR基本概念

语音模型：即将 sound 转为 text。

• Text： a sequence of Token 长度：N，总种类数量：V
• Sound： vectors sequence 长度：T，维度：d

一、Text Token

• Phoneme（音位、音素）：即 a unit of sound，可以理解为发音的音标
• Grapheme（字位，书写位，最多使用⭐）：即 smallest unit of a writting，比如【26个英文字母+空格+标点符号】
• Word：即语言中的单词
• Morpheme（字位，书写位）：即 smallest meaningful unit，比如英语单词的词根。词素是构成词的要素。词素是比词低一级的单位，词是语言中能够独立运用的最小单位，是指词在句法结构中的地位和作用而言的。
• Bytes：直接用字节表示一组Text，常见的诸如 UTF-8 编码

二、声音特征 Acoustic Feature

通常以 25ms 为窗口长度，将声音讯号转为 一个向量（frame，也即帧），每次窗口移动 10ms，也就是说 1s →100 frames

frame 制作方法

1. sample points：当 声音采样率 在 16KHz 时，其在 25ms 内一共有 400个 sample points，直接将这400个数字拿过来当frame即可
2. 39-dim MFCC：一共有39维
3. 80-dim filter bank output：一共有80维

frame 制作过程
首先，Waveform（波形） 通