零基础入门语音识别-食物声音识别Task6

零基础入门语音识别-食物声音识别

Task6 语音识别基础知识介绍

本次新人赛是Datawhale与天池联合发起的零基础入门系列赛事第八场 —— 零零基础入门语音识别-食物声音识别挑战赛。
baseline由开源学习组织Datawhale提供
https://github.com/datawhalechina/team-learning

不知不觉，这次学习的尾声已经到来，在进行最后的学习总结前，我先回顾了一边此前学习的内容。

零基础入门语音识别-食物声音识别Task1
零基础入门语音识别-食物声音识别Task2
零基础入门语音识别-食物声音识别Task3
零基础入门语音识别-食物声音识别Task4
零基础入门语音识别-食物声音识别Task5

语音识别基础与发展

其实，在日常生活里，语音识别的应用已经十分多样，听歌识曲、语言识别，声纹解锁等功能让声音的力量更进一步。

语音识别基础

语音识别全称为“自动语音识别”，Automatic Speech Recognition (ASR), 一般是指将语音序列转换成文本序列。语音识别最终是统计优化问题，给定输入序列O={O1,…,On}，寻找最可能的词序列W={W1,…,Wm}，即寻找使得概率P(W|O)最大的词序列。用贝叶斯公式表示为：

其中P(O|W) 叫做声学模型，描述的是给定词W时声学观察为O的概率；P(W)叫做语言模型，负责计算某个词序列的概率；P(O)是观察序列的概率，是固定的，是固定的，所以只看分母部分即可。

语音识别的发展

传统机器学习，基于统计的GMM-HMM，其中HMM （隐马尔可夫模型，Hidden Markov Model）用来描述信号动态特性（即语音信号相邻帧间的相关性），GMM（高斯混合模型，Gaussian Mixed Model）用来描述HMM每个状态的静态特性（即HMM每个状态下语音帧的分布规律）；

与深度学习结合，DNN-RNN、DNN-HMM，可引入LSTM（长短期记忆网络，Long Short-Term Memory），DNN（深度学习网络，Deep Neural Networks），RNN（循环神经网络，Recurrent Neural Network）；

迁移学习（Transfer learning）算法、以及注意力（Attention）机制的基于语音频谱图的CNN（卷积神经网络，Convolutional Neural Network）模型的兴起。

学习总结

第一次参加这类型的比赛，也第一次发现，原来工作中的人或是在忙碌的人，面对自己喜欢的事物，都在努力着，在群里的各路大牛，看直播时的醍醐灌顶，成为大学生差不多一年了，第一次有以前那种学习的兴奋感，而不是功利性的。
我希望再接下来的日子里，可以打好基础，将喜欢的事物完成。