語音識別：原理與應(yīng)用（全彩）

第1章 語音識別概論 1
1.1 語音的產(chǎn)生和感知 1
1.2 語音識別過程 4
1.3 語音識別發(fā)展歷史 8
1.4 國內(nèi)語音識別現(xiàn)狀 15
1.5 語音識別建模方法 19
1.5.1 DTW 19
1.5.2 GMM-HMM 20
1.5.3 DNN-HMM 20
1.5.4 端到端 22
1.6 語音識別開源工具 22
1.7 語音識別常用數(shù)據(jù)庫 22
1.8 語音識別評價指標 24
第2章 語音信號基礎(chǔ) 28
2.1 聲波的特性 28
2.2 聲音的接收裝置 29
2.2.1 麥克風陣列 31
2.3 聲音的采樣 32
2.4 聲音的量化 33
2.5 語音的編碼 35
2.6 WAV文件格式 38
2.7 WAV文件分析 39
第3章 語音特征提取 44
3.1 預處理 44
3.2 短時傅立葉變換 48
3.3 聽覺特性 51
3.4 線性預測 54
3.5 倒譜分析 55
3.6 常用的聲學特征 56
3.6.1 語譜圖 57
3.6.2 FBank 58
3.6.3 MFCC 59
3.6.4 PLP 61
3.6.5 CQCC 62
第4章 HMM 67
4.1 HMM的基本概念 69
4.1.1 馬爾可夫鏈 70
4.1.2 雙重隨機過程 71
4.1.3 HMM的定義 72
4.2 HMM的三個基本問題 73
4.2.1 模型評估問題 74
4.2.2 最佳路徑問題 77
4.2.3 模型訓練問題 79
第5章 GMM-HMM 83
5.1 概率統(tǒng)計 84
5.2 高斯分布 85
5.3 GMM 88
5.3.1 初始化 89
5.3.2 重估計 90
5.4 GMM-HMM 91
5.5 GMM-HMM的訓練 97
5.6 模型自適應(yīng) 99
5.6.1 MAP 99
5.6.2 MLLR 100
5.6.3 fMLLR 100
5.6.4 SAT 101
課程實踐：基于HTK搭建GMM-HMM系統(tǒng) 103
第6章 基于HMM的語音識別 104
6.1 建模單元 104
6.2 發(fā)音過程與HMM狀態(tài) 107
6.3 串接HMM 108
6.4 固定語法的識別 112
6.5 隨機語法的識別 117
第7章 音素的上下文建模 125
7.1 協(xié)同發(fā)音 125
7.2 上下文建模 126
7.3 決策樹 128
7.4 問題集 129
7.4.1 手工設(shè)計 129
7.4.2 自動生成 131
7.5 三音子模型的訓練 134
第8章 語言模型 136
8.1 n-gram模型 138
8.2 評價指標——困惑度 142
8.3 平滑技術(shù) 143
8.3.1 Good-Turing折扣法 143
8.3.2 Jelinek-Mercer插值法 144
8.3.3 Kneser-Ney插值法 144
8.3.4 Katz回退法 146
8.4 語言模型的訓練 148
8.5 遞歸神經(jīng)網(wǎng)絡(luò)語言模型 151
第9章 WFST解碼器 158
9.1 基于動態(tài)網(wǎng)絡(luò)的Viterbi解碼 159
9.2 WFST理論 163
9.3 HCLG構(gòu)建 168
9.3.1 H的構(gòu)建 169
9.3.2 C的構(gòu)建 171
9.3.3 L的構(gòu)建 172
9.3.4 G的構(gòu)建 173
9.3.5 HCLG合并 175
9.4 WFST的Viterbi解碼 177
9.4.1 Token的定義 177
9.4.2 Viterbi算法 178
9.5 Lattice解碼 185
9.5.1 主要數(shù)據(jù)結(jié)構(gòu) 185
9.5.2 令牌傳播過程 186
9.5.3 剪枝策略 189
9.5.4 Lattice 190
第10章 DNN-HMM 194
10.1 深度學習 194
10.2 DNN 195
10.2.1 激活函數(shù) 196
10.2.2 損失函數(shù) 198
10.2.3 梯度下降算法 199
10.3 DNN與HMM的結(jié)合 201
10.4 不同的DNN結(jié)構(gòu) 205
10.4.1 CNN 205
10.4.2 LSTM 210
10.4.3 GRU 210
10.4.4 TDNN 211
10.4.5 TDNN-F 214
第11章 序列區(qū)分性訓練 220
11.1 區(qū)分性準則 221
11.1.1 MMI 221
11.1.2 BMMI 222
11.1.3 MPE/sMBR 222
11.2 MMI求導過程 223
11.3 Lattice-based MMI 225
11.4 Lattice-free MMI 227
11.5 Kaldi Chain模型 230
第12章 端到端語音識別 233
12.1 CTC 234
12.1.1 損失函數(shù) 235
12.1.2 前向算法 239
12.1.3 后向算法 242
12.1.4 求導過程 243
12.1.5 CTC解碼 245
12.2 RNN-T 248
12.3 Attention模型 251
12.4 Hybrid CTC/Attention 254
12.5 Transformer 256
第13章 Kaldi實踐 262
13.1 下載與安裝Kaldi 263
13.1.1 獲取源代碼 263
13.1.2 編譯 264
13.2 創(chuàng)建與配置基本的工程目錄 265
13.3 aishell語音識別工程 266
13.3.1 數(shù)據(jù)映射目錄準備 267
13.3.2 詞典準備和lang目錄生成 269
13.3.3 語言模型訓練 271
13.3.4 聲學特征提取與倒譜均值歸一化 273
13.3.5 聲學模型訓練與強制對齊 274
13.3.6 解碼測試與指標計算 277
第14章 Espnet實踐 280
14.1 數(shù)據(jù)準備 280
14.1.1 映射文件準備 280
14.1.2 特征提取 281
14.1.3 數(shù)據(jù)增強 282
14.1.4 詞典生成 282
14.1.5 數(shù)據(jù)打包 283
14.2 Espnet配置文件 284
14.3 語言模型訓練 285
14.4 聲學模型訓練 287
14.4.1 聲學模型訓練腳本 287
14.4.2 CTC聲學模型訓練 288
14.4.3 Attention聲學模型訓練 289
14.4.4 RNN-T模型訓練 290
14.4.5 Transformer模型訓練 292
14.5 語音識別解碼 293
14.6 Espnet訓練解碼可視化 294
14.6.1 Espnet訓練參數(shù)可視化 294
14.6.2 Espnet中的Attention可視化 295
14.6.3 Espnet解碼結(jié)果可視化 296
第15章 工業(yè)應(yīng)用實踐 298
15.1 動態(tài)庫封裝 298
15.1.1 函數(shù)接口 298
15.1.2 動態(tài)庫編譯 306
15.1.3 動態(tài)庫調(diào)用 309
15.2 語音云平臺 310
15.3 識別引擎優(yōu)化 315
15.3.1 加快響應(yīng)速度 315
15.3.2 定制語言模型 316
15.3.3 定制聲學模型 316
15.4 嵌入式移植 318