解析深度学习：语音识别实践电子书

于 2021-10-07 19:39:19 发布
阅读量238 收藏
点赞数
分类专栏： 神经网络书籍 计算机听觉 深度学习书籍 文章标签： 语音识别 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_27906249/article/details/120640256
版权

作者：俞栋
出版社:电子工业出版社
品牌:博文视点
出版时间:2020-10-01
解析深度学习：语音识别实践电子书
ISBN：9787121287961

自然语言处理博客
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
解析深度学习：语音识别实践
07-02
1 简介1 1.1 自动语音识别：更好的沟通之桥 1 1.1.1 人类之间的交流 2 1.1.2 人机交流 2 1.2 语音识别系统的基本结构 4 1.3 全书结构 6 1.3.1 第一部分：传统声学模型6 1.3.2 第二部分：深度神经网络6 1.3.3 第三部分：语音识别中的DNN-HMM 混合系统7 1.3.4 第四部分：深度神经网络中的特征表示学习 7 1.3.5 第五部分：高级的深度模型 7 第一部分传统声学模型9 2 混合高斯模型10 2.1 随机变量10 2.2 高斯分布和混合高斯随机变量11 2.3 参数估计13 2.4 采用混合高斯分布对语音特征建模 15 3 隐马尔可夫模型及其变体17 3.1 介绍17 3.2 马尔可夫链19 3.3 序列与模型 20 3.3.1 隐马尔可夫模型的性质21 3.3.2 隐马尔可夫模型的仿真22 3.3.3 隐马尔可夫模型似然度的计算22 3.3.4 计算似然度的高效算法24 3.3.5 前向与后向递归式的证明25 3.4 期望zui大化算法及其在学习HMM 参数中的应用 26 3.4.1 期望zui大化算法介绍 26 3.4.2 使用EM 算法来学习HMM 参数——Baum-Welch 算法 28 3.5 用于解码HMM 状态序列的维特比算法32 3.5.1 动态规划和维特比算法32 3.5.2 用于解码HMM 状态的动态规划算法33 3.6 隐马尔可夫模型和生成语音识别模型的变体35 3.6.1 用于语音识别的GMM-HMM 模型 36 3.6.2 基于轨迹和隐藏动态模型的语音建模和识别37 3.6.3 使用生成模型HMM 及其变体解决语音识别问题 38 第二部分深度神经网络41 4 深度神经网络42 4.1 深度神经网络框架42 4.2 使用误差反向传播来进行参数训练 45 4.2.1 训练准则 45 4.2.2 训练算法46 4.3 实际应用50 4.3.1 数据预处理51 4.3.2 模型初始化52 4.3.3 权重衰减52 4.3.4 丢弃法 53 4.3.5 批量块大小的选择55 4.3.6 取样随机化56 4.3.7 惯性系数 57 4.3.8 学习率和停止准则58 4.3.9 网络结构59 4.3.10 可复现性与可重启性 59 5 高级模型初始化技术61 5.1 受限玻尔兹曼机61 5.1.1 受限玻尔兹曼机的属性63 5.1.2 受限玻尔兹曼机参数学习66 5.2 深度置信网络预训练 69 5.3 降噪自动编码器预训练71 5.4 鉴别性预训练74 5.5 混合预训练75 5.6 采用丢弃法的预训练 75 第三部分语音识别中的深度神经网络–隐马尔可夫混合模型77 6 深度神经网络–隐马尔可夫模型混合系统78 6.1 DNN-HMM 混合系统 78 6.1.1 结构78 6.1.2 用CD-DNN-HMM 解码80 6.1.3 CD-DNN-HMM 训练过程81 6.1.4 上下文窗口的影响83 6.2 CD-DNN-HMM 的关键模块及分析 85 6.2.1 进行比较和分析的数据集和实验85 6.2.2 对单音素或者三音素的状态进行建模 87 6.2.3 越深越好88 6.2.4 利用相邻的语音帧89 6.2.5 预训练 90 6.2.6 训练数据的标注质量的影响 90 6.2.7 调整转移概率 91 6.3 基于KL 距离的隐马尔可夫模型91 7 训练和解码的加速93 7.1 训练加速93 7.1.1 使用多GPU 流水线反向传播94 7.1.2 异步随机梯度下降97 7.1.3 增广拉格朗日算法及乘子方向交替算法100 7.1.4 减小模型规模 101 7.1.5 其他方法102 7.2 加速解码103 7.2.1 并行计算103 7.2.2 稀疏网络105 7.2.3 低秩近似107 7.2.4 用大尺寸DNN 训练小尺寸DNN108 7.2.5 多帧DNN 109 8 深度神经网络序列鉴别性训练111 8.1 序列鉴别性训练准则 111 8.1.1 zui大相互信息 112 8.1.2 增强型MMI 113 8.1.3 zui小音素错误/状态级zui小贝叶斯风险114 8.1.4 统一的公式115 8.2 具体实现中的考量116 8.2.1 词图产生116 8.2.2 词图补偿117 8.2.3 帧平滑 119 8.2.4 学习率调整119 8.2.5 训练准则选择 120 8.2.6 其他考量120 8.3 噪声对比估计 121 8.3.1 将概率密度估计问题转换为二分类设计问题121 8.3.2 拓展到未归一化的模型123 8.3.3 在深度学习网络训练中应用噪声对比估计算法 124 第四部分深度神经网络中的特征表示学习127 9 深度神经网络中的特征表示学习128 9.1 特征和分类器的联合学习128 9.2 特征层级129 9.3 使用随意输入特征的灵活性 133 9.4 特征的鲁棒性 134 9.4.1 对说话人变化的鲁棒性134 9.4.2 对环境变化的鲁棒性 135 9.5 对环境的鲁棒性137 9.5.1 对噪声的鲁棒性138 9.5.2 对语速变化的鲁棒性 140 9.6 缺乏严重信号失真情况下的推广能力141 10 深度神经网络和混合高斯模型的融合144 10.1 在GMM-HMM 系统中使用由DNN 衍生的特征144 10.1.1 使用Tandem 和瓶颈特征的GMM-HMM 模型144 10.1.2 DNN-HMM 混合系统与采用深度特征的GMM-HMM 系统的比较147 10.2 识别结果融合技术149 10.2.1 识别错误票选降低技术（ROVER） 149 10.2.2 分段条件随机场（SCARF） 151 10.2.3 zui小贝叶斯风险词图融合153 10.3 帧级别的声学分数融合153 10.4 多流语音识别 154 11 深度神经网络的自适应技术157 11.1 深度神经网络中的自适应问题157 11.2 线性变换159 11.2.1 线性输入网络.159 11.2.2 线性输出网络 159 11.3 线性隐层网络 161 11.4 保守训练162 11.4.1 L2 正则项163 11.4.2 KL 距离正则项163 11.4.3 减少每个说话人的模型开销 165 11.5 子空间方法167 11.5.1 通过主成分分析构建子空间 167 11.5.2 噪声感知、说话人感知及设备感知训练168 11.5.3 张量172 11.6 DNN 说话人自适应的效果172 11.6.1 基于KL 距离的正则化方法 173 11.6.2 说话人感知训练174 第五部分先进的深度学习模型177 12 深度神经网络中的表征共享和迁移178 12.1 多任务和迁移学习178 12.1.1 多任务学习 178 12.1.2 迁移学习180 12.2 多语言和跨语言语音识别180 12.2.1 基于Tandem 或瓶颈特征的跨语言语音识别181 12.2.2 共享隐层的多语言深度神经网络182 12.2.3 跨语言模型迁移185 12.3 语音识别中深度神经网络的多目标学习188 12.3.1 使用多任务学习的鲁棒语音识别188 12.3.2 使用多任务学习改善音素识别189 12.3.3 同时识别音素和字素（graphemes） 190 12.4 使用视听信息的鲁棒语音识别 190 13 循环神经网络及相关模型192 13.1 介绍192 13.2 基本循环神经网络中的状态-空间公式194 13.3 沿时反向传播学习算法195 13.3.1 zui小化目标函数 196 13.3.2 误差项的递归计算196 13.3.3 循环神经网络权重的更新197 13.4 一种用于学习循环神经网络的原始对偶技术199 13.4.1 循环神经网络学习的难点199 13.4.2 回声状态（Echo-State）性质及其充分条件 199 13.4.3 将循环神经网络的学习转化为带约束的优化问题 200 13.4.4 一种用于学习RNN 的原始对偶方法201 13.5 结合长短时记忆单元（LSTM）的循环神经网络203 13.5.1 动机与应用203 13.5.2 长短时记忆单元的神经元架构204 13.5.3 LSTM-RNN 的训练205 13.6 循环神经网络的对比分析205 13.6.1 信息流方向的对比：自上而下还是自下而上 206 13.6.2 信息表征的对比：集中式还是分布式208 13.6.3 解释能力的对比：隐含层推断还是端到端学习209 13.6.4 参数化方式的对比：吝啬参数集合还是大规模参数矩阵 209 13.6.5 模型学习方法的对比：变分推理还是梯度下降210 13.6.6 识别正确率的比较211 13.7 讨论212 14 计算型网络214 14.1 计算型网络214 14.2 前向计算215 14.3 模型训练 218 14.4 典型的计算节点222 14.4.1 无操作数的计算节点 223 14.4.2 含一个操作数的计算节点223 14.4.3 含两个操作数的计算节点228 14.4.4 用来计算统计量的计算节点类型235 14.5 卷积神经网络 236 14.6 循环连接 239 14.6.1 只在循环中一个接一个地处理样本240 14.6.2 同时处理多个句子242 14.6.3 创建任意的循环神经网络243 15 总结及未来研究方向245 15.1 路线图 245 15.1.1 语音识别中的深度神经网络启蒙245 15.1.2 深度神经网络训练和解码加速248 15.1.3 序列鉴别性训练248 15.1.4 特征处理249 15.1.5 自适应 250 15.1.6 多任务和迁移学习251 15.1.7 卷积神经网络 251 15.1.8 循环神经网络和长短时记忆神经网络251 15.1.9 其他深度模型 252 15.2 技术前沿和未来方向 252 15.2.1 技术前沿简析252 15.2.2 未来方向253
解析深度学习语音识别实践.pdf
04-04
《解析深度学习：语音识别实践》是首部介绍语音识别中深度学习技术细节的专著。全书首先概要介绍了传统语音识别理论和经典的深度神经网络核心算法。接着全面而深入地介绍了深度学习在语音识别中的应用，包括“深度神经网络-隐马尔可夫混合模型”的训练和优化，特征表示学习、模型融合、自适应，以及以循环神经网络为代表的若干先进深度学习技术。 作者：俞栋
《解析深度学习：语音识别实践》.pdf
q6q6q的专栏
10-27 930
您所在位置：网站首页 > 海量文档&nbsp>&nbsp生活休闲&nbsp>&nbsp时政新闻《解析深度学习：语音识别实践》.pdf321页本文档一共被下载：次,您可全文免费在线阅读后下载本文档。 下载提示1.本站不保证该用户上传的文档完整性，不预览、不比对内容而直接下载产生的反悔问题本站不予受理。2.该文档所得收入(下载+内容+预览三)归上传者、原创者。3.登录后...
解析深度学习 语音识别实践（扫描版）
12-11
解析深度学习 语音识别实践，之前搜索别人的资源，有许多都是需要付费或者资源不全的。所以自己花钱买了一本，现在有偿分享，希望大家能够通过阅读此书提升自己的能力。
4月书讯（上） | 这本书值得所有的等待
图灵教育
03-27 417
世嘉株式会社（株式会社セガ）又称世嘉或SEGA，是一家日本的电子游戏公司，曾经与任天堂、索尼、微软并列四大家用游戏机制造商。世嘉的游戏想必大家都不陌生，...
Fundamentals of Deep Learning 深度学习基础英文版 pdf电子书+代码
08-28
深度学习是人工智能的一个重要分支，它通过模拟人脑神经网络的工作方式，构建多层的复杂模型来解决各种问题，如图像识别、语音识别、自然语言处理等。在本书中，作者会系统地介绍深度学习的基本构成和工作原理，包括...
深度学习教程&案例&相关项目资源.docx
最新发布
05-25
#### 语音识别 - **语音转文字**：将语音信号转换为文本。 - **语音合成**：将文本转换为语音信号。 #### 医疗健康 - **医疗影像分析**：辅助医生解读X光片、CT扫描等。 - **疾病诊断**：通过分析患者数据预测疾病...
秋天一键文本转语音v1.01
05-05
该软件集成了先进的语音识别技术和自然语言处理算法，旨在简化用户将文字内容转化为可听语音的过程，适用于各种场景，如电子书阅读、有声读物制作、语音播报等。 文本转语音技术是现代信息技术的重要组成部分，它...
清华大学《模式识别》课件
11-24
5. 深度学习：探讨神经网络、卷积神经网络（CNN）、循环神经网络（RNN）等深度学习模型在模式识别中的作用。 6. 应用实例：如人脸识别、语音识别、文本分类等实际案例分析。 三、学习方法与实践 在学习过程中，学生...
实用语音识别基础电子版
01-17
实用语音识别基础--21世纪高等院校技术优秀教材 ISBN:711803746 作者:王炳锡 屈丹 彭煊 出版社:国防工业出版社 本书从语音识别的基本理论出发，以“从理论到实用”为主线，讲解了国际上最新、最前沿的语音识别领域的关键技术，从语料库建立、语音信号预处理、特征提取、特征变换、模型建立等方面详细介绍了语音识别系统建立的过程，并针对语音识别系统实用化的问题，给出了一些改善语音识别系统性能的关键技术，力求语音识别能走出实验室，向实用发展。 　　全书共分四个部分(17章)，第一部分介绍语音识别的基本理论 ；第二部分介绍实用语音识别系统建立的过程；第三部分列举了语音识别系统工程化所需的关键技术；第四部分对语音识别的4个主要应用领域进行了详尽的、深入浅出的讲解，并根据最新的研究与实验结果提供了大量的实际参数、图表，与实际工作联系紧密，具有很强的可操作性与实用性。章节之间紧密配合、前后呼应，具有很强酶系统性。同时，通过书中的研究过程和研究方法，读者能够在以后的研究工作中得到很大的启发。 　　本书可作为高等院校理工科通信和信息处理及相关专业的高年级本科生和(硕士、博士)研究生的教材或参考书，也可供从事信息处理、通信工程等专业的研究人员参考。 　　目录: 　　第1章 绪论 　　1. 1 概述 　　1. 2 语音识别综述 　　1. 3 国内外语音识别的研究现状和发展趋势 　　参考文献 　　第一部分 基本理论 　　第2章 听觉机理和汉语语音基础 　　2. 1 概述 　　2. 2 听觉机理和心理 　　2. 2. 1 语音听觉器官的生理结构 　　2. 2. 2 语音听觉的心理 　　2. 3 发音的生理机构与过程 　　2. 4 汉语语音基本特性 　　2. 4. 1 元音和辅音 　　2. 4. 2 声母和韵母 　　2. 4. 3 音调 字调 　　2. 4. 4 音节 字 构成 　　2. 4. 5 汉语的波形特征 　　2. 4. 6 音的频谱特性 　　2. 4. 7 辅音的频谱特性 　　2. 4. 8 汉语语音的韵律特征 　　2. 5 小结 　　参考文献 　　第3章 语音信号处理方法--时域处理 　　3. 1 概述 　　3. 2 语音信号的数字化和预处理 　　3. 2. 1 语音信号的数字化 　　3. 2. 2 语音信号的预处理 　　3. 3 短时平均能量和短时平均幅度 　　3. 3. 1 短时平均能量 　　3. 3. 2 短时平均幅度 　　3. 4 短时过零分析 　　3. 4. 1 短时平均过零率 　　3. 4. 2 短时上升过零间隔 　　3. 5 短时自相关函数和平均幅度差函数 　　3. 5. 1 短时自相关函数 　　3. 5. 2 短时平均幅度差函数 　　3. 6 高阶统计量 　　3. 6. 1 单个随机变量情况 　　3. 6. 2 多个随机变量及随机过程情况 　　3. 6. 3 高斯过程的高阶累积量 　　3. 7 小结 　　参考文献 　　第4章 语音信号处理方法--时频处理 　　4. 1 概述 　　4. 2 短时傅里叶变换 　　4. 2. 1 短时傅里叶变换的定义和物理意义 　　4. 2. 2 基于短时傅里叶变换的语谱图及其时频分辨率 　　4. 2. 3 短时傅里叶谱的采样 　　4. 3 小波变换 　　4. 3. 1 连续小波变换 　　4. 3. 2 二进小波变换 　　4. 3. 3 离散小波变换 　　4. 3. 4 多分辨分析 　　4. 3. 5 正交小波包 　　4. 4 Wigner分布 　　4. 4. 1 Wigner分布的定义 　　4. 4. 2 Wigner分布的一般性质 　　4. 4. 3 两个信号和妁Wigner分布 　　4. 4. 4 Wigner分布的重建 　　4. 4. 5 Wigner分布的实现 　　4. 5 小结 　　参考文献 　　第5章 语音信号处理方法--倒谱同态处理 　　5. 1 概述 　　5. 2 复倒谱和倒谱 　　5. 2. 1 定义 　　5. 2. 2 复倒谱的性质 　　5. 3 语音信号的倒谱分析与同态解卷积 　　5. 3. 1 叠加原理和广义叠加原理 　　5. 3. 2 同态解卷特征系统和同态解卷反特征系统 　　5. 3. 3 同态解卷系统 　　5. 3. 4 语音的复倒谱及同态解卷 　　5. 4 避免相位卷绕的算法 　　5. 4. 1 最小相位信号法 　　5. 4. 2 递归法 　　5. 5 小结 　　参考文献 　　第二部分 语音识别系统 　　第6章 语料库 　　6. 1 概述 　　6. 2 语料库的基本特征 　　6. 3 语料库的类型 　　6. 4 语音语料库 　　6. 4. 1 语音语料库建立. 收集和标注的意义 　　6. 4. 2 语音语料库的建立和收集要点 　　6. 4. 3 标准语音库语音特性描述 　　6. 5 语料库的设计举例--863汉语普通话语音合成语料库的设计 　　6. 5. 1 语料库设计原则 　　6. 5. 2 语音库的标注 　　6. 5. 3 与语音语料库相关的文字语料库标注 　　6. 6 小结 　　参考文献 　　第7章 语音识别的预处理 　　7. 1 概述 　　7. 2 语音识别单元的选取 　　7. 2. 1 汉语音节 　　7. 2. 2 汉语的基本音素 　　7. 2. 3 汉语半音节 　　7. 3 自动分段--端点检测技术 　　7. 3. 1 基于能量的端点检测 　　7. 3. 2 基于LPC-10声码器的端点检测 　　7. 3. 3 基于信息熵的语音端点检测 　　7. 3. 4 基于频带方差的端点检测 　　7. 3. 5 基于倒谱特征的带噪语音信号端点检测 　　7. 3. 6 基于HMM的端点检测方法 　　7. 3. 7 基于分形技术的端点检测 　　7, 3. 8 基于自相关相似距离的端点检测 　　7. 3. 9 基于迟滞编码的端点检测 　　7. 3. 10 实时端点检测算法 　　7. 4 小结 　　参考文献 　　第8章 语音信号特征参数 　　8. 1 概述 　　8. 2 基音周期 　　8. 2. 1 自相关法及其改进 　　8. 2. 2 并行处理法 　　8. 2. 3 倒谱法 　　8. 2. 4 简化逆滤波法 　　8. 3 线性预测参数 　　8. 3. 1 线性预测信号模型 　　8. 3. 2 线性预测误差滤波 　　8. 3. 3 语音信号的线性预测分析 　　8. 3. 4 线性预测分析的解法 　　8. 3. 5 斜格法及其改进 　　8. 4 线谱对 LSP 参数 　　8. 4. 1 线谱对分析原理 　　8. 4. 2 线谱对分析的求解 　　8. 5 LPCC参数 　　8. 6 mfcc参数 　　8. 7 ASCC参数 　　8. 8 感觉加权的线性预测 PLP 特征 　　8. 8. 1 PLP参数 　　8. 8. 2 RASTA-PLP参数 　　8. 9 动态差分参数 　　8. 10 高阶信号谱类特征 　　8. 10. 1 WV谱的定义及其主要性质 　　8. 10. 2 WV谱计算式的一些变形 　　8. 11 小结 　　参考文献 　　第9章 特征变换 　　9. 1 概述 　　9. 2 线性判别分析 LDA 　　9. 2. 1 线性判别分析的概念 　　9. 2. 2 广义线性判别函数 　　9. 2. 3 Fisher线性判别 　　9. 2. 4 多类问题 　　9. 3 主分量分析 PCA 　　9. 3. 1 基于K-L变换的主分量分析 　　9. 3. 2 随机向量的K-L展开 　　9. 3. 3 基于K-L变换的降维 　　9. 4 独立分量分析 ICA 　　9. 4. 1 引言 　　9. 4. 2 线性独立分量分析 　　9. 4. 3 线性独立分量分析算法 　　9. 4. 4 独立分量分析的预处理 　　9. 4. 5 非线性独立分量分析 　　9. 5 小结 　　参考文献 　　第10章 语音识别的模型 　　10. 1 概述 　　10. 2 动态时间规整 DTW 　　10. 2. 1 动态规划技术 DP 　　10. 2. 2 DTW算法的改进 　　10. 3 隐马尔可夫模型 HMM 　　10. 3. 1 隐马尔可夫模型的定义 　　10. 3. 2 HMM中的3个基本问题及其解决方案 　　10. 3. 3 隐马尔可夫模型的类型 　　10. 3. 4 HMM算法实现的问题 　　10. 4 分类模型 SVM 　　10. 4. 1 引言 　　10. 4. 2 学习问题 　　10. 4. 3 学习过程一致性的条件 　　10. 4. 4 学习过程收敛速度的界 　　10. 4. 5 结构风险最小归纳原理 　　10. 4. 6 支持向量机 　　10. 5 人工神经网络 　　10. 5. 1 引言 　　10. 5. 2 神经元的基本模型 　　10. 5. 3 前向网络 　　10. 5. 4 反馈网络 　　10. 6 高斯混合模型 GMM 　　10. 6. 1 高斯混合模型的定义 　　10. 6. 2 参数调整算法--em算法 　　10. 7 小结 　　参考文献 　　第三部分 语音识别中关键处理技术 　　第11章 说话人自适应和说话人归一化技术 　　11. 1 概述 　　11. 2 自适应方式的分类 　　11. 3 MLLR算法介绍 　　11. 3. 1 语音特征空间的划分 　　11. 3. 2 参数的估计 　　11. 3. 3 对均值矢量的变换 　　11. 4 MAP算法介绍 　　11. 4. 1 MAP算法准则 　　11. 4. 2 MAP算法公式推导 　　11. 4. 3 MAP算法讨论 　　11. 5 说话人归一化技术 　　11. 5. 1 说话人归一化技术原理 　　11. 5. 2 声道长度归一化 VTLN 　　11. 6 小结 　　参考文献 　　第12章 噪声抑制 　　12. 1 概述 　　12. 2 基于小波变换的噪声抑制 　　12. 2. 1 利用小波变换去除周期性噪声 　　12. 2. 2 利用小波变换去除冲激噪声 　　12. 2. 3 利用小波变换去除宽带噪声 　　12. 2. 4 小波去噪方法的分析 　　12. 3 基于EVRC编码的噪声抑制 　　12. 4 基于HMM模型的噪声补偿 　　12. 5 小结 　　参考文献 　　第13章 信道补偿 　　13. 1 概述 　　13. 2 稳健语音识别技术 　　13. 2. 1 稳健语音识别的提出 　　13. 2. 2 稳健语音识别的研究现状 　　13. 3 信道补偿技术的主要方法 　　13. 3. 1 经验补偿技术 　　13. 3. 2 盲补偿 　　13. 3. 3 基于特征及模型的补偿 　　13. 4 信道补偿技术在语音识别中的应用 　　13. 4. 1 信道补偿技术在汽车内语音识别中的应用 　　13. 4. 2 基于信道补偿的电话语音识别 　　13. 5 小结 　　参考文献 　　第四部分语音识别应用 　　第14章 说话人识别 　　14. 1 概述 　　14. 2 说话人识别的基本原理 　　14. 2. 1 说话人识别系统的典型结构 　　14. 2. 2 技术原理 　　14. 3 说话人识别的特征选择 　　14. 3. 1 说话人识别系统中常用的特征 　　14. 3. 2 特征参数的统计评价 　　14. 4 说话人识别的主要方法 　　14. 4. 1 模板匹配法 　　14. 4. 2 概率统计方法 　　14. 4. 3 辨别分类器方法 　　14. 4. 4. 混合方法 　　14. 5 判决规则与性能评价标准 　　14. 5. 1 说话人辨认 　　14. 5. 2 说话人确认 检测 　　14. 6 说话人识别中的稳健技术 　　14. 7 系统举例 　　14. 7. 1 GMM说话人辨认算法 　　14. 7. 2 SVM-GMM混合模型 　　14. 7. 3 CMM-UBM说话人确认 　　14. 8 小结 　　参考文献 　　第15章 关键词识别 　　15. 1 概述 　　15. 2 关键词识别及其与连续语音识别的关系 　　15. 3 关键词识别原理 　　15. 3. 1 关键词识别系统组成 　　15. 3. 2 关键词识别的基本问题 　　15. 3. 3 关键词识别系统的主要技术难点 　　15. 4 搜索策略 　　15. 4. 1 语音起始和结束点的粗判 　　15. 4. 2 帧同步的Viterbi解码算法 　　15. 4. 3 加入驻留惩罚的改进Viterbi解码算法 　　15. 4. 4 语法节点处的路径合并 　　15. 4. 5 回溯 　　15. 5 识别结果的确认 　　15. 5. 1 置信度的原理 　　15. 5. 2 利用反词模型的拒识方法 　　15. 5. 3 利用识别结果本身信息的拒识方法 　　15. 6 系统实现 　　15. 6. 1 训练和识别系统框图 　　15. 6. 2 训练系统的具体实现 　　15. 6. 3 识别系统的具体实现 　　15. 7 小结 　　参考文献 　　第16章 语言辨识 　　16. 1 概述 　　16. 1. 1 语言辨识的原理 　　16. 1. 2 语言辨识技术研究发展的历史 　　16. 2 语言辨识所需要的有用信息 　　16. 3 针对自动语言辨识的知觉研究 　　16. 4 语言辨识的主要方法 　　16. 4. 1 频谱相似性方法 　　16. 4. 2 基于韵律信息的方法 　　16. 4. 3 基于音素识别的方法 　　16. 4. 4 基于多语言语音单元的方法 　　16. 4. 5 单词层次方法 　　16. 4. 6 基于连续语音识别的方法 　　16. 4. 7 元音系统模型 　　16. 5 语言辨识系统举例 　　16. 5. 1 基于GMM-UBM模型的语言辨识系统 　　16. 5. 2 基于最小分类误差准则的语言辨识系统 　　16. 5. 3 基于说话人聚类和高斯混合模型的语言辨识系统 　　16. 5. 4 基于时频主分量分析和高斯混合模型的语言辨识系统 　　16. 5. 5 基于高斯混合二元模型的语言辨识系统 　　16. 6 语言辨识系统评估 　　16. 7 小结 　　参考文献 　　第17章 连续语音识别 　　17. 1 概述 　　17. 2 连续语音识别整体模型 　　17. 3 声学模型 　　17. 3. 1 语音识别单元的选取 　　17. 3. 2 基于予词单元HMM的训练 　　17. 4 连续语音识别中的搜索策略 　　17. 4. 1 传统的帧同步算法 　　17. 4. 2 基于统计知识的帧同步搜索算法原理 　　17. 4. 3 受词法约束的词搜索树 　　17. 4. 4 连续语音识别中的双层搜索网络 　　17. 5 语言模型 　　17. 5. 1 基于规则的方法 　　17. 5. 2 基于统计的方法 　　17. 5. 3 N-gram模型的平滑 　　17. 5. 4 基于文法规则的方法和基于统计的方法相结合 　　17. 6 小结 　　参考文献 　　附录 英汉名词对照
深度学习-语音识别实战(Python).rar
02-05
深度学习-语音识别实战(Python)视频教程分享； 章节1 seq2seq序列网络模型 章节2 LAS语音识别模型实战 章节3 starganvc2变声器论文原理解读 章节4 starganvc2变声器源码实战 章节5 语音分离ConvTasnet模型 章节6 ConvTasnet语音分离实战 章节7 语音合成技术概述 章节8 语音合成tacotron最新版实战 章节9 基础补充-PyTorch框架基本处理操作 章节10 PyTorch使用补充-神经网络实战分类与回归任务 章节11 算法补充-卷积神经网络原理与参数解读 章节12 策略补充-迁移学习与Resnet网络架构
深度学习-语音识别实战(Python)视频课程
05-16
基于深度学习的语音识别实战课程主要包括三部分内容： 1.经典论文算法讲解； 2.算法源码解读； 3.项目实战；
语音识别基础 pdf版 王炳锡
05-07
21世纪高等院校优秀教材 PDF版 实用语音识别基础教材 王炳锡著
ttl.rar_ttl_ttl语音_文本 语音_文本语音
09-24
统计方法则利用深度学习模型，如循环神经网络（RNN）、变种如长短期记忆网络（LSTM）和Transformer，自动生成连续的语音信号。 4. **TTS库和API**：在编程领域，有许多开源库和API可供开发人员使用，如Python的`...
解析深度学习:语音识别实践 (俞栋等著) 完整pdf[44MB]
q6q6q的专栏
10-27 1078
AlphaGo与李世石的围棋大战激发了人们对人工智能是非的诸多争论。人工智能背后的工作原理深度学习跳入大众的视野。AlphaGo的大获全胜一定程度展示了深度学习在应用领域的成功，而语音识别正是深度学习取得显著成功的应用领域之一。本书是首次以深度学习为主线介绍语音识别应用的书籍，对读者了解语音识别技术及其发展历程有重要的参考价值。本书作者俞栋、邓力均是该领域的著名专家，他们是深度学习在应用领域取得突...
语音识别——基于深度学习的中文语音识别tutorial（代码实践）
东方佑
08-14 3005
文章目录利用thchs30为例建立一个语音识别系统1. 特征提取2. 数据处理下载数据2.1 生成音频文件和标签文件列表定义函...
计算机书籍-语音识别技术实践
自然语言处理
03-14 761
深度学习:语音识别技术实践 作者:柳若边 出版社:清华大学出版社 出版时间:2019年04月
机器学习实例:深度学习如何做语音识别!
weixin_33825683的博客
09-01 2787
文章讲的是 机器学习实例:深度学习如何做语音识别,语音识别正在「入侵」我们的生活。我们的手机、游戏主机和智能手表都内置了语音识别。他甚至在自动化我们的房子。只需50美元，你就可以买到一个Amazon Echo Dot，这是一个可以让你订外卖、收听天气预报、甚至是买垃圾袋的魔术盒，而这一切你只需要大声说出： 　　 　　Aleax,给我订一个pizza! 　...
深度解析：Siri语音识别系统与智能架构
本文将详细解析Siri，苹果公司的标志性语音识别系统，它不仅是一个简单的语音识别工具，更是一个具备智能理解和执行用户意图的系统。Siri的技术原理涵盖多个关键领域，包括系统架构、语音识别、用户意图分析、服务...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值