【语音基础】语音相关的基础

liefyuan

已于 2024-01-23 10:45:51 修改

阅读量697

点赞数 9

分类专栏：音频文章标签：语音识别

于 2024-01-23 10:44:34 首次发布

本文链接：https://blog.csdn.net/qq_28877125/article/details/135765521

版权

音频专栏收录该内容

5 篇文章

订阅专栏

本文探讨了端到端模型与传统语音识别模型的区别，强调了端到端模型的优势，介绍了强制对齐的概念及其在语音识别中的应用，同时列举了麦克风类型和常见的语音识别框架及模型。还提到了语音采样率的重要性，并推荐了厦门大学的相关课程资源。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

端到端模型与传统模型的区别

传统模型（非端到端模型）

传统模型通常由不同的组件组成，例如文本处理模块、声学模型、声码器等等。一方面不同的组件之间相互组装设计比较费力。另一方面由于组件之间单独训练，可能会到导致每个组成部分之间的错误会叠加，从而不断放大误差。例如统计参数语音合成（TTS）中通常有提取各种语言特征的文本前端、持续时间模型、声学特征预测模型等等。这些组件基于广泛的领域专业知识，并且设计起来很费力。它们也是独立训练的，所以每个组成部分的错误可能会叠加。现代TTS设计的复杂性导致在构建新系统时需要大量的工程工作。

端到端模型

端到端模型首先减轻了费力的组装设计，利用一个神经网络代替了传统模型中复杂的建模过程，其次更容易对各种（例如音色或者语种）属性或者高级特征（例如语音中的情感）进行特征的捕获与提取。单个模型相比于每个组件错误累加来说更加健壮，能有效减少错误的积累。

如何理解强制对齐？

强制对齐(Forced Alignment)，是指给定音频和文本，确定每个单词(音素)的起止位置的过程，一般使用Viterbi解码实现。强制对齐是语音识别的一种特殊的、简化了的情况，由于它的简单性，强制对齐通常具有较高的准确率(音素级别准确率可达90%，单词级别可达95%以上)。使用强制对齐，我们就可以对我们收集到的标准发音的数据进行处理：根据音频和它对应的文本进行强制对齐，得到每个音标对应的片段；对各个音标收集到的样本抽取特征并进行训练。通过对大量数据进行强制对齐，我们对每个音标得到一个模型，该模型将用于后续的打分流程。