Post Views:
4,213
去年研究了一段时间的语音识别,出于一些功耗的考虑,主要精力还是放在了Spinx这个传统方法的实现上。HMM方法的局限性还是挺明显的,如今语音识别的先进技术基本都是基于DNN的。而RNN更是非常适合语音这种序列的处理。前面在github上偶然发现了一个语音识别的学习项目,里面提供了一些标定过的语音数据,同时也实现了一些demo性质的代码。不过,这个项目作者对TensorFlow进行了一些封装,导致代码有一点绕,其实是不利于初学者学习的。所以,我就想使用原生的TensorFlow api实现个简单的语音识别程序。
说实话,我对RNN也没有多深入的理解,所以这里也就不深究原理了。仅仅从直观的角度来讲,RNN的结构反应了序列的顺序关系,所以RNN对序列模型有这很好的描述能力。在《Deep Learning with tensorflow》这本书里,使用了RNN实现MNIST数据集的分类模型训练。MNIST数据集虽然是一个图片数据集,但如果我们把一行像素看做一个输入向量,而这些行向量按照顺序就会形成一个序列。经过实验,我们可以发现,RNN也可以很好的完成MNIST数据的分类。
1. 语音特征提取
语音特征提取的方法中,MFCC(梅尔频率倒谱系数)大概是最常见的了。简单说来,MFCC就是一个短时的频域特征。在Python中,我们可以很简单的使用librosa这个库实现MFCC特征的提取。MFCC特征的提取过程如下图所示,首先语音信号按照时间分割成多段;然后对每段信号进行快速傅里叶变换,变换之后可以得到一个频谱图;依据频谱图的能量包络线,对这个能量包络线进行离散化,即可得到一个向量。这个向量便是MFCC向量。