|
作者：AI檸檬博主
ASRT 是一套基于深度學(xué)習(xí)實(shí)現(xiàn)的語音識(shí)別系統(tǒng)，全稱為 Auto Speech Recognition Tool，由 AI 檸檬博主開發(fā)并在 GitHub 上開源（GPL 3.0 協(xié)議）。本項(xiàng)目聲學(xué)模型通過采用卷積神經(jīng)網(wǎng)絡(luò)（CNN）和連接性時(shí)序分類（CTC）方法，使用大量中文語音數(shù)據(jù)集進(jìn)行訓(xùn)練，將聲音轉(zhuǎn)錄為中文拼音，并通過語言模型，將拼音序列轉(zhuǎn)換為中文文本?；谠撃Ｐ?，作者在 Windows 平臺(tái)上實(shí)現(xiàn)了一個(gè)基于 ASRT 的語音識(shí)別應(yīng)用軟件它同樣也在 GitHub 上開源了。
這個(gè)開源項(xiàng)目主要用于語音識(shí)別的研究，作者希望它可以一步步發(fā)展為極高準(zhǔn)確率的 ASR 系統(tǒng)。此外，因?yàn)槟Ｐ秃陀?xùn)練代碼都是開源的，所以能節(jié)省開發(fā)者很多時(shí)間。同樣，如果開發(fā)者想要根據(jù)需求修改這個(gè)項(xiàng)目，那也非常簡單，因?yàn)?ASRT 的代碼都是經(jīng)過高度封裝的，所有模塊都是可以自定義的。如下展示了該項(xiàng)目的一些特征： 系統(tǒng)流程 特征提取：將普通的 wav 語音信號(hào)通過分幀加窗等操作轉(zhuǎn)換為神經(jīng)網(wǎng)絡(luò)需要的二維頻譜圖像信號(hào)，即語譜圖。 聲學(xué)模型：基于 Keras 和 TensorFlow 框架，使用這種參考了 VGG 的深層的卷積神經(jīng)網(wǎng)絡(luò)作為網(wǎng)絡(luò)模型，并訓(xùn)練。 CTC 解碼：在語音識(shí)別系統(tǒng)的聲學(xué)模型輸出中，往往包含了大量連續(xù)重復(fù)的符號(hào)，因此，我們需要將連續(xù)相同的符號(hào)合并為同一個(gè)符號(hào)，然后再去除靜音分隔標(biāo)記符，得到最終實(shí)際的語音拼音符號(hào)序列。 語言模型：使用統(tǒng)計(jì)語言模型，將拼音轉(zhuǎn)換為最終的識(shí)別文本并輸出。拼音轉(zhuǎn)文本本質(zhì)被建模為一條隱含馬爾可夫鏈，這種模型有著很高的準(zhǔn)確率。 使用流程 如果讀者希望直接使用預(yù)訓(xùn)練的中文語音識(shí)別系統(tǒng)，那么直接下載 Release 的文件并運(yùn)行就好了： 下載地址：https://github.com/nl8590687/ASRT_SpeechRecognition/releases/tag/v0.4.2 如果讀者希望修改某些模塊，或者在新的數(shù)據(jù)集上進(jìn)行訓(xùn)練，那么我們可以復(fù)制整個(gè)項(xiàng)目到本地，再做進(jìn)一步處理。首先我們通過 Git 將本項(xiàng)目復(fù)制到本地，并下載訓(xùn)練所需要的數(shù)據(jù)集。作者在項(xiàng)目 README 文件中提供了兩個(gè)數(shù)據(jù)集，即清華大學(xué) THCHS30 中文語音數(shù)據(jù)集和 AIShell-1 開源版數(shù)據(jù)集。 $ git clone https://github.com/nl8590687/ASRT_SpeechRecognition.gitTHCHS30 和 ST-CMDS 國內(nèi)下載鏡像：http://cn-mirror./ 在下載數(shù)據(jù)集后，我們需要將 datalist 目錄下的所有文件復(fù)制到 dataset 目錄下，也就是將其與數(shù)據(jù)集放在一起： 在開始訓(xùn)練前，我們還需要安裝一些依賴庫：
當(dāng)然，其它如 NumPy、Matplotlib、Scipy 和 h5py 等常見的科學(xué)計(jì)算庫也都是需要的。一般有這些包后，環(huán)境應(yīng)該是沒什么問題的，有問題也可以根據(jù)報(bào)錯(cuò)安裝對應(yīng)缺少的庫。 訓(xùn)練模型可以執(zhí)行命令行： $ python3 train_mspeech.py測試模型效果可以運(yùn)行： 測試之前，請確保代碼中填寫的模型文件路徑存在。最后，更多的用法和特點(diǎn)可以查看原 GitHub 項(xiàng)目和文檔。 |
|
|
