带你读论文|端到端语音识别模型.2020-11-17|作者：吴俣.编者按：过去十年，得益于人工智能与机器学习的突破、算法与硬/软件能力的进步，以及拥有既多样又大量的语音数据库，用以训练多参数的、大规模的语音识别与模型，使得语音处理技术获得飞跃性进展。.随着端到端神经网络在机器翻译、语音生成等方面的进展，端到端的语音识别也达到了和传统...
不同于传统方法将语音识别任务分解为多个子任务（词汇模型，声学模型和语言模型），端到端的语音识别模型基于梅尔语谱作为输入，能够直接产生对应的自然语言文本，大大简化了模型的训练过程，从而越来越受到学术界和产业界的关注。.本文将通过六篇论文，从建模方法、响应时间优化、数据增强等不同方面讲解端到端语音模型的发展，并探讨不同端到端...
带你读论文|端到端语音识别模型.编者按：过去十年，得益于人工智能与机器学习的突破、算法与硬/软件能力的进步，以及拥有既多样又大量的语音数据库，用以训练多参数的、大规模的语音识别与模型，使得语音处理技术获得飞跃性进展。.随着端到端神经网络在机器翻译、语音生成等方面的进展，端到端的语音识别也达到了和传统方法可比的性能...
VoxCeleb2数据集.尽管深度学习的兴起使得语音识别的任务有了长足的进步，但是在声纹识别领域，囿于开源数据集的场景受限，数据量少的原因，开源模型在日常使用环境中效果依旧不太理想。.本文基于一个自动化的数据采集、清洗、标注的pipeline，作者收集了大量的声纹数据，并取名为VoxCeleb2，相比作者之前开源的VoxCeleb1，数据表现上要丰富了许多。.
目前深度学习已经成为了语音识别SOTA论文的标配。CNN在声学模型上效果很好，RNN也部署在了SOTA的模型中，并且和CNN在特征提取上效果很好。端到端的语音识别是目前一个热门的研究方向，对于DMM-HMM和standalone的输出打分效果很显著。
不久前Google还推出了TensorFlow，定位和CNTK比较接近，但对于最初的版本非议比较多，并且该工具包目前不具备进行语音识别中声学模型建模需要的一些重要功能。TensorFlow的前途应该取决于Google公司后续开发的情况。
所谓语音识别，就是将一段语音信号转换成相对应的文本信息，系统主要包含特征提取、声学模型，语言模型以及字典与四大部分，其中为了更有效地提取特征往往还需要对所采集到的声音信号进行滤波、分帧等预处理工作，把要分析的信号从原始信号中提取
在识别时通过对输入的语音特征同声学模式的匹配比较，得到最准确的识别结果；（3）语言模型与语言处理：语言模型涵盖了由语音识别指令组成的语法网络或由统计方法组成的语言模型，语言处理可以完成语法、语义分析，对小词表语音识别系统，通常语言
论文中有图片，图片中的文字需要先转成文本文字，才能“读”出来，用OCR模型即可实现。文本转语音的过程是对每个单词进行发音，OCR模型不仅需要认“字”，还需要认“词”。因此，本项目中使用PaddleOCR中可识别空格的预训练模型，将图片文字转为可读文本。
语音识别技术的目标是将人类的语言转换为计算机可读的输入。科学家们利用语音数据库里大量的数据进行分析，得到了在统计概率最优化意义上的各个基元语音特征。并且将这些特征和语音模型转化为硬件芯片。在使用这些芯片时。11、，可以直接使用。