python 语音识别培训使用Python和Keras创建简单语音识别引擎

语音识别是机器或程序识别口语中的单词和短语并将其转换为机器可读格式的能力。通常，这些算法的简单实现有一个有限的词汇表，它可能只识别单词/短语。但是，更复杂的算法（例如Google的Cloud Speech-to-Text和Amazon Transcribe）具有广泛的词汇量，并包含方言、噪音和俚语。

在本文中，我将演示：

语音转文字的工作原理如何处理要转录的音频使用Keras解决问题的深度学习模型一种评估此模型的方法将预测模型集成到项目中的脚本

简介

语音只是由我们的声带引起的空气周围振动而产生的一系列声波。这些声波由麦克风记录，然后转换为电信号。然后使用高级信号处理技术处理信号，分离音节和单词。得益于深度学习方面令人难以置信的最新进展，计算机也可以从经验中学习理解语音。

语音识别通过声学和语言建模使用算法来工作。声学建模表示语音和音频信号的语言单元之间的关系；语言建模将声音与单词序列进行匹配，以帮助区分听起来相似的单词。通常，基于循环层的深度学习模型用于识别语音中的时间模式，以提高系统内的准确性。也可以使用其他方法，例如隐马尔可夫模型（第一个语音识别算法是使用这种方法）。在本文中，我将仅讨论声学模型。

信号处理

有多种方法可以将音频波转换为算法可以处理的元素，其中一种方法（在本教程中将使用的一种方法）是在等距的点上记录声波的高度：

我们每秒读取数千次，并记录一个代表当时声波高度的数字。这是一个未压缩的.wav音频文件。“