語音識別服務實戰(zhàn)

定　價：￥128.00

作　者：	楊學銳，晏超，劉雪松著
出版社：	電子工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787121425905	出版時間：	2022-03-01	包裝：
開本：	16開	頁數：	364	字數：

內容簡介

　　隨著語音算法技術的不斷發(fā)展與完善，如何進行工程落地成為語音商業(yè)應用中普遍面臨的問題。工程落地不僅要考慮模型效果，還要考慮資源占用、模塊聯(lián)調且整個架構要具有可靠性、可擴展性和可維護性。本書圍繞如何從零構建一個完整的語音識別系統(tǒng)，深入淺出地介紹了語音識別前端算法、語音識別算法及說話人日志算法原理；基于Kaldi的模型訓練；語音識別工程落地和服務搭建。本書適合作為語音技術研究人員及對語音技術感興趣的開發(fā)人員的參考用書。

作者簡介

　　楊學銳大疆創(chuàng)新語音交互算法負責人，復旦大學及Turku大學碩士，長期從事語音算法、深度學習、人工智能等領域的研究與商業(yè)落地，在相關領域發(fā)表多篇論文及專利。晏超北京郵電大學碩士，曾任職于HP Labs， Cisco， Technicolor等公司?，F(xiàn)為云從科技語音算法負責人，從事語音識別、聲紋識別、說話人日志、語音合成等方向的算法研發(fā)工作，構建了云從科技整套語音算法引擎與應用服務平臺。劉雪松 OPPO音頻算法專家，復旦大學碩士，曾任職于美國國家儀器、聲網、云從科技等公司。在信號處理、音頻算法和語音算法等領域有豐富的實戰(zhàn)經驗，在相關領域發(fā)表多篇論文及專利。

圖書目錄

目錄

第1章語音識別概述 1
1.1 語音識別發(fā)展歷程 2
1.2 語音識別產業(yè)與應用 6
1.2.1 消費級市場 7
1.2.2 企業(yè)級市場 8
1.3 常用語音處理工具 10
1.3.1 WebRTC 10
1.3.2 Kaldi 12
1.3.3 端到端語音識別工具包 14
第2章語音信號基礎 16
2.1 語音信號的聲學基礎 17
2.1.1 語音產生機理 17
2.1.2 語音信號的產生模型 19
2.1.3 語音信號的感知 20
2.2 語音信號的數字化和時頻變換 22
2.2.1 語音信號的采樣、量化和編碼 22
2.2.2 語音信號的時頻變換 25
2.3 本章小結 31
第3章語音前端算法 32
3.1 語音前端算法概述 33
3.2 VAD 35
3.2.1 基于門限判決的VAD 36
3.2.2 基于高斯混合模型的VAD 38
3.2.3 基于神經網絡的VAD 40
3.3 單通道降噪 43
3.3.1 譜減法 44
3.3.2 維納濾波法 46
3.3.3 音樂噪聲和參數譜減法 48
3.3.4 貝葉斯準則下的MMSE 51
3.3.5 噪聲估計 56
3.3.6 基于神經網絡的單通道降噪 61
3.4 回聲消除 65
3.4.1 回聲消除概述 66
3.4.2 線性自適應濾波 69
3.4.3 分塊頻域自適應濾波器 70
3.4.4 雙講檢測 72
3.4.5 延遲估計 75
3.4.6 殘留回聲消除 76
3.4.7 基于神經網絡的回聲消除 78
3.5 麥克風陣列與波束形成 79
3.5.1 麥克風陣列概述 80
3.5.2 延遲求和波束形成 86
3.5.3 最小方差無失真響應波束形成 89
3.5.4 廣義旁瓣對消波束形成 92
3.5.5 后置濾波 98
3.5.6 基于神經網絡的波束形成 101
3.6 聲源定位 103
3.6.1 GCC-PHAT 104
3.6.2 基于自適應濾波的聲源定位 105
3.6.3 SRP-PHAT 108
3.6.4 子空間聲源定位算法 108
3.6.5 基于神經網絡的聲源定位 111

3.7 其他未盡話題 111
3.8 本章小結 113
第4章語音識別原理 114
4.1 特征提取 116
4.1.1 特征預處理 116
4.1.2 常見的語音特征 119
4.2 傳統(tǒng)聲學模型 124
4.2.1 聲學建模單元 124
4.2.2 GMM-HMM 126
4.2.3 強制對齊 131
4.3 DNN-HMM 131
4.3.1 語音識別中的神經網絡基礎 132
4.3.2 常見的神經網絡結構 137
4.4 語言模型 145
4.4.1 n-gram語言模型 145
4.4.2 語言模型的評價指標 148
4.4.3 神經語言模型 148
4.5 WFST解碼器 151
4.5.1 WFST原理 151
4.5.2 常見的WFST運算 152
4.5.3 語音識別中的WFST解碼器 155
4.5.4 令牌傳遞算法 157
4.5.5 Beam Search 159
4.6 序列區(qū)分性訓練 160
4.6.1 MMI和bMMI 161
4.6.2 MPE和sMBR 161
4.6.3 詞圖 161
4.6.4 LF-MMI 162
4.7 端到端語音識別 163
4.7.1 CTC 163
4.7.2 Seq2Seq 166
4.8 語音識別模型評估 169
4.9 本章小結 171
第5章中文普通話模型訓練——以multi_cn為例 172
5.1 Kaldi安裝與環(huán)境配置 173
5.2 Kaldi中的數據格式與數據準備 174
5.3 語言模型訓練 178
5.4 發(fā)音詞典準備 180
5.5 特征提取 184
5.6 Kaldi中的Transition模型 186
5.7 預對齊模型訓練 187
5.7.1 單音素模型訓練 187
5.7.2 delta特征模型訓練 190
5.7.3 lda_mllt特征變換模型訓練 191
5.7.4 說話人自適應訓練 192
5.8 數據增強 193
5.8.1 數據清洗及重分割 194
5.8.2 速度增強和音量增強 194
5.8.3 SpecAugment 196
5.9 I-Vector訓練 197
5.9.1 對角UBM 197
5.9.2 I-Vector提取器 198
5.9.3 提取訓練數據的I-Vector 199
5.10 神經網絡訓練 199
5.10.1 Chain模型 200
5.10.2 Chain模型數據準備 202
5.10.3 神經網絡配置與訓練 203
5.11 解碼圖生成 209
5.12 本章小結 210
5.13 附錄 211
5.13.1 xconfig中的描述符及網絡配置表 211
5.13.2 Chain模型中的egs 215
5.13.3 Kaldi nnet3中迭代次數和學習率調整 217
第6章基于Kaldi的說話人日志 219
6.1 說話人日志概述 220
6.1.1 什么是說話人日志 220
6.1.2 說話人日志技術 220
6.1.3 說話人日志評價指標 227
6.2 聲紋模型訓練——以CNCeleb為例 229
6.2.1 聲紋數據準備 230
6.2.2 I-Vector訓練 240
6.2.3 X-Vector訓練 243
6.2.4 LDA/PLDA后端模型訓練 248
6.2.5 說話人日志后端模型訓練 250
6.3 本章小結 253
第7章基于Kaldi的語音SDK實現(xiàn) 254
7.1 語音特征提取 258
7.1.1 音頻讀取 258
7.1.2 音頻特征提取 261
7.2 基于WebRTC的語音活動檢測 268
7.3 說話人日志模塊 273
7.3.1 I-Vector提取 275
7.3.2 X-Vector提取 287
7.3.3 說話人日志算法實現(xiàn) 299
7.4 語音識別解碼 313
7.5 本章小結 324

第8章基于gRPC的語音識別服務 325
8.1 gRPC語音服務 326
8.2 ProtoBuf協(xié)議定義 327
8.3 基于gRPC的語音服務實現(xiàn) 329
8.3.1 gRPC Server實現(xiàn) 330
8.3.2 gRPC Client實現(xiàn) 337
8.3.3 gRPC語音服務的編譯與測試 343
8.4 本章小結 346
參考文獻 347