语音识别

<font color="#121212">信号处理：对语音片段进行噪声消除和信道增强等预处理技术</font>

<font color="#121212">不同的特征向量表征着不同的声学意义，从音频信号中选择有效的音频表征的过程就是语音特征提取</font><br>

<font color="#121212">梅尔频率倒谱系数（MFCC）提取特征，</font><font color="#121212">Python 提供了 pyaudio 和 librosa等语音处理工作库<br></font><font color="#121212">卷积神经网络（CNN）、CNN-LSTM-DNN（CLDNN）等深度神经网络模型提取语音特征</font><font color="#121212"><br></font>

<font color="#121212">对提取的音频特征进行进一步的处理，处理的目的是找到语音来自于某个声学符号（音素）的概率</font><br>

<font color="#121212">根据声学特征性计算每一个特征向量在声学特征上的得分</font>

<font color="#121212">用来计算出一个句子出现概率的模型，简单来说，就是计算出这个句子在语法上是否正确的概率。</font>

<font color="#000000">反映字词出现的先验概率，比如“郝”和“好”，这两个字发音相同，但“郝”相对于“好”来说，<br>出现的概率较低，一般都会出现在姓氏里；反映词顺序是否符合语言习惯和反映词的语义信息</font>

<font color="#121212">计算该声音信号对应可能词组序列的概率；</font><font color="#121212">类似 n-gram 和 RNN 等模型，会得到一个语言模型得分</font>

<font color="#121212">语音技术中的识别过程</font>

<font color="#121212">解码搜索阶段会针对声学模型得分和语言模型得分进行综合，将得分最高的词序列作为最后的识别结构</font><br>

<font color="#121212">高斯混合模型（GMM）和隐马尔可夫模型（HMM）等</font>

<font color="#121212">循环神经网络、LSTM、编码-解码框架、注意力机制等</font>

<font color="#000000">1.获取语音文件，支持从文件、麦克风读取</font>

<font color="#000000">2.获取识别语音内容的对象</font>

<font color="#000000">3.打开语音文件，调用recognize_sphinx接口将语音转化为文本</font>

<font color="#000000">1.Google API--无需注册可直接使用，但无法访问Google网页，需要国外vps</font>

<font color="#000000">2.百度 API--需要注册账号，创建语音识别应用，获取</font><font color="#4d4d4d">API Key和Secret Key</font>

<font color="#000000">1.预处理语料</font>

<font color="#000000">2.提取音频特征，使用</font><font color="#000000">MFCC特征或者神经网络提取特征</font>

<font color="#000000">3.构建神经网络模型，如RNN、CNN、LSTM的混合模型</font>

<font color="#000000">4.模型训练及结果评估</font>