本文介绍了语音信号的采集来源，包括开放数据集、用户录制和TTS合成数据。讨论了采集过程中的关键指标，如采样率、采样位数、声道数、存储空间和存储格式。采样率直接影响数据精度，常见的是8k、16k和44.1k。手机平台常采用16k采样率和16位采样位数。声道数涉及声音定位，单声道和立体声是最常见形式。存储空间由比特率决定，原始音频占用较大空间，而压缩格式如MP3则节省空间但可能丢失细节，不适合语音识别。
语音信号的采集
一般的语音来源主要是三种，业内开放的通用训练集数据、特定用户录制的数据，采用TTS技术合成的数据。
部分公司会将用户的指令数据进行收集，从而丰富通用训练集，提取高频数据集，Bad Case数据集，专项数据集（方言、中英文混合），特殊场景数据集（导航、电话、音乐等其他应用冲突的场景）等等。
在录制和采集语音数据时，业内一般有如下几个指标，这些指标也都和语音识别的原理及架构有关。
采样率
同时也叫采样频率，指每秒钟取得声音样本的次数。采样率越高，数据越精确。常用的采样率是8k(8000），16k，44.1k，48k。
8k是电话所用的采样率。人说话的声音频率，基本在这个采样率之内。
48k采样率是CD，DVD所采用的。超过这个频率人耳是分辨不出来的了。
手机平台中，采样率大都数采样16k。
采样位数
指每个采样数据占的位数&
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
