语音技术学习笔记

【你不认识我】 【你不认识我】 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 200+累计阅读 207平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄9年
关注
原创 最新推荐文章于 2026-03-27 11:15:40 发布 207 阅读 AI 写同款· GEO 优化 ›
【人工智能学习笔记】7_智能语音技术基础 声道：录制声音时，在不同的空间位置采集的相互独立的音频信号。声道数也就是声音录制时的音源数量。常见的音频数据为单声道或双声道（立体声）比特率：数据传输单位时间内传输的数据位数，也就是每秒的传输速率。比特率越高，传送数据速度越快。音频采样率：音频采样率是指录音设备在一秒钟内对声音信号的采样次数，采样频率越高，传送数据速度越快。音频采样位数：采样值或取样值，即是将采样样本幅度量化。用来衡量声音波动变化的参数，或是声卡的分辨率。数值越大，分辨率越高，发出声音的能力越强。 阅读详情

前一段时间主要是花在HTK的配置上，对于hcopy，hlist的理解还是不够

 

3.22 语音采集作业的分数倒数，哭辽

3.24 学习DTW算法从一个实例中学习DTW算法

收录于
Others

当前文章被收录于：

Others
4 篇文章 0 人学习
订阅专栏 查看详情
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
百度AI语音技术实战指南：从入门到精通（百度云智学院学习笔记） 本文基于百度云智学院学习笔记，提供百度AI语音技术从入门到精通的实战指南。详细介绍了语音识别与语音合成的核心原理、API调用方法、效果调优技巧，并深入讲解了如何利用语音自训练平台定制专属模型，以及语音唤醒、声纹识别等拓展能力的应用，旨在帮助开发者快速将百度AI语音技术集成到各类应用中。 阅读详情

相关推荐

语音识别技术学习：原理核心部分

详细讲解语音识别中的识别过程，语音识别原则原理，是一篇不错技术文献。

什么是“语音技术”？

语音技术是一种计算技术，它使电子设备能够识别、分析和理解口语或音频。

2301_77292637的博客 2248

GEE AI: 利用 Satellite Embedding 语义搜索快速识别研究区目标斑块

摘要 本文介绍了一种基于Google Earth Engine的遥感语义搜索技术，利用Satellite Embedding数据集快速识别目标地物。该方法通过将光谱信息转化为高维向量，在武汉市的案例中展示了如何：1)定义研究区和样本点；2)加载预处理的Embedding数据；3)计算向量相似度；4)结合面积过滤优化结果。相比传统监督分类，该技术具有响应快速（无需模型训练）、抗季节干扰和精准界定等优势，特别适用于森林碳储量监测和土地利用检测等应用场景。文中提供了完整的GEE代码实现流程，包括样本定义、相似度计

此星光明博客 625

5分钟弄懂语音识别技术原理

文/张俊博知乎链接：https://www.zhihu.com/question/20398418/answer/18080841简要给大家介绍一下语音怎么变文字的吧。希望这个介绍能让所有同学看懂。首先，我们知道声音实际上是一种波。常见的mp3、wmv等格式都是压缩格式，必须转成非压缩的纯波形文件来处理，比如Windows PCM文件，也就是俗称的wav文件。wav文件里存储的除了一个文件头以外，...

郁闷之春的专栏 4万+

避开期货指标常见坑：文华财经赢顺DK多空指标优化配置指南（附参数调试技巧）

本文详细解析了文华财经赢顺DK多空指标的优化配置方法，帮助交易者避开常见使用误区。通过参数个性化适配、动态调整趋势阈值和过滤假信号的三重验证，提升指标在期货交易中的准确性。附有参数调试技巧和不同市况下的配置建议，适合中高级交易者参考。

weixin_29063979的博客 436

【ORB_SLAM系列4】—— 一文搞定如何在Ubuntu20.04中安装运行ORB_SLAM3（包含ROS版本和非ROS版本）

ORB-SLAM3是一款基于特征点的实时单目SLAM系统，是SLAM领域的研究热点之一。它的核心算法是结合了ORB特征点提取和描述子匹配、单目RGB相机的深度估计、运动估计和地图优化等步骤，能够在实时性和精度之间取得平衡，适用于各种环境下的定位和建图任务。在各种应用领域都有广泛的应用。本教程主要是介绍了关于在ubuntu20.04中运行ORB_SLAM3的所有依赖的库的安装过程，和所遇到的一些报错的解决方法。有什么问题，可以评论区里面交流讨论

2401_82458959的博客 5039

语音识别学习资料入门整理

GMM-HMM语音识别模型 原理篇 隐马尔科夫模型-HMM-A Tutorial On Hidden Markov Models 0.概念： 语音信号处理/模式识别/统计分析， 1.算法: 常用的深度学习算法，包括 cnn/dnn/rnn/lstm;GMM/SVM/CRF/MaxEnt/HMM;对CTC 有经验; 2.框架: 熟悉至少一种深度学习框架，包括 kaldi, tensorflow, ...

weixin_34262482的博客 1443

xctf攻防世界 MISC高手进阶区 low

1. 进入环境，下载附件 给出的一张bmp图片，没有其他信息 2. 问题分析 扔进binwalk中，没有发现有用信息 使用zsteg，没有有用信息 塞入StegSolve中，发现有点猫腻，如图： 有点二维码的感觉，emmm，需要像素处理，但不知道如何下手，参考网上的wp，发现是让使用lsb隐写，copy代码： from PIL import Image img = Image.open('./pic/low.bmp') img_tmp = img.copy() pix = img_tmp.load()

l8947943的博客 1万+

语音识别的技术路线学习笔记

0 语音识别技术路线大致框图如上图所示，语音识别的大致过程可以分为以下几步： 1、语音输入——这个过程可以通过电脑上的声卡来获取麦克风中输入的音频信号，或者直接读取电脑中已经存在的音频文件； 2、音频信号特征提取——在得到音频信号之后，需要对音频信号进行预处理，然后对预处理之后的音频信号进程特征提取，MFCC是最常用的声学特征； 3、声学模型处理——把语音的声学特征分类对应到音素或字词这样的单

bingo_csdn_的博客 9837

实验三 Gmapping建图

自主移动机器人第三次实验课，内容包括：（1）turtlebot的gmapping建图；（2）rosbag的使用；（3）gazebo中的gmapping建图。

lj164567487的博客 4649

c语言【分糖果】2023蓝桥杯4124（枚举，递归，dfs）

但是这是不符合我们糖果刚好分完的条件的，我们应该往回退到上一层，也就是孩子6这层，然后j+1=3，孩子7分到3个第二种糖果，这也不符合我们糖果刚好分完的条件，然后就会再次回退到孩子6这里，然后j+1=4，让我们的孩子7获得5块第二种糖果，然后还是不符合糖果刚分完的条件，于是再一次退回到孩子6这里，然后就会有外循环i+1=1，j=1，孩子7分到1块第一种糖果1块第二块糖果......然后就是这样的不停地回溯，试探，直到把整棵树遍历一遍，并且记录所有的满足条件的组合。先放一下我的代码，我的代码超时啦救命！

weixin_74331419的博客 732

【学习笔记】Google的Lyra项目：基于神经网络的超低比特率语音编解码技术

Lyra的技术突破不仅重新定义了语音编解码的性能边界，更开创了"神经网络编解码"的新范式。随着开源社区的持续优化和硬件生态的成熟，这项技术正在从实验室走向大规模商用，助力构建真正全球覆盖的智能语音网络。对于研究者而言，Lyra的开放架构为探索混合编码、元学习优化、脑机编码等前沿方向提供了绝佳试验场。在AI与通信技术深度融合的今天，Lyra的成功预示着属于智能语音的"摩尔定律"正在加速到来。项目地址。

u011376987的博客 1471

D2D与C2C高速互联技术对比：从封装到性能的全面解析

本文全面解析了Die-to-Die（D2D）与Chip-to-Chip（C2C）高速互联技术的差异，从封装形式、传输距离到性能指标进行深度对比。D2D技术在带宽、延迟和能效方面具有显著优势，适用于高性能计算和AI加速；而C2C技术则更适合车载电子系统等长距离传输场景。文章还探讨了UCIe标准化趋势，并提供了技术选型的实用建议。

weixin_29197051的博客 561

百度AI产品与应用学习路线之语音技术(百度云智学院学习笔记)

运用百度语音技术API完成语音识别与合成项目开发 百度语音技术简介 语音自训练平台接入流程 语音识别和唤醒接入流程 语音基础介绍与场景应用 百度语音技术简介基本的语音交互流程: 语音识别效果不好的三大原因输入语音: 声学匹配: 文本匹配: 优化方法迭代优化: 语音唤醒: 语音唤醒的设计及影响因素: 声纹识别: 声纹识别的设计及影响因素: 语音合成: 基于深度学习的语音合成...

zbp_12138的博客 1088

OpenOCD入门到精通：第 4 章 配置文件体系详解

本文深入解析OpenOCD配置文件的体系结构和工作机制。首先介绍了配置文件的搜索路径优先级和加载顺序，以及配置阶段与运行阶段的区别。然后详细分析了interface配置文件的适配器参数调优方法，包括ST-Link、CMSIS-DAP和FTDI等常见调试器的配置示例。最后重点讲解了target配置文件的核心结构，包括TAP声明、目标创建和工作区设置等关键步骤，并以stm32f1x为例展示了完整的配置流程。通过本文可以全面了解OpenOCD配置文件的分层设计理念和参数化配置方法。

从事嵌入式linux android驱动开发，拥有全栈能力 595

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。

【大厂AI课学习笔记】1.5 AI技术领域（2）语音识别

语音识别，也称为自动语音识别（ASR），是指将人类的语音转换为机器可读的文本或命令的技术。它是人机交互的重要组成部分，旨在让计算机能够理解并执行人类的语音指令。语音识别技术涉及到信号处理、模式识别、自然语言处理等多个领域的知识。然后，它从麦克风获取音频输入，并使用Google的语音识别服务进行识别。最后，它输出识别结果或错误信息。这个例子展示了如何使用Python进行简单的语音识别任务。今天来梳理语音识别相关的关键技术和发展脉络。

AI人人懂 1846

LinePhone3.2.7(android端最新版本) sip客户端

SIP客户端For android：LinePhone3.2.7(最新版本)，官网地址：http://www.linphone.org/

语音识别学习笔记（三）【动态时间归正的识别技术】

语音识别学习笔记（三）【动态时间归正的识别技术】   1.概述  在语音识别中，简单的将输入模板和参考模板进行比较存在很大的缺陷，因为语音信号具有很大的随机性，即便是同一个人在不同时刻说同一句话，也不可能具有完全相同的时间长度，因此时间归正处理是必不可少的！动态时间弯折（Dynamic Time Warping，DTW）是把时间归正和距离测度计算结合起来的一种非线性归正技术，也是语音识别中的一...

zhangbijun1230的专栏 621

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等，可在创建的窗口进行控制

IEM模型，地表粗糙度模拟

利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟

语音识别学习笔记（二）【基于矢量量化的识别技术】

语音识别学习笔记（二）【基于矢量量化的识别技术】   概述  量化分为标量量化和矢量量化（Vector Quantization，VQ）。标量量化是将采样后的信号值逐个进行量化，而适量量化是将若干个采样信号分成一组，即构成一个矢量，然后对此矢量一次进行量化。矢量量化实际是一种极其重要的信号压缩的方法，广泛应用于语音编码，语音识别和合成，图像压缩等领域。 知识预备  VQ相当于一种逼近，类...

zhangbijun1230的专栏 2374

李宏毅 GENERATIVE AI——Extra lesson——GPT-4o背后可能的语音技术猜测

本章节主要浅谈“GPT-4o背后可能的语音技术猜测”。

a131529的博客 1264

学习笔记：《数字媒体技术概论》-4/10 数字语音信号处理技术及应用-中国大学慕课公开课

数字媒体技术概论,spContent=以数字媒体、网络技术与计算机技术相融合而产生的数字媒体技术，已经成为最热门的研究领域之一。如果你想了解数字媒体技术的奥妙，并想从事数字媒体技术相关的工作，请加入我们吧！让我们一起共同领略数字媒体技术的魅力，打下坚实的数字媒体技术基础。共振峰产生过程气流经过声道，声道受到激励而引起共振，使得一部分频率得到强化（产生了尖峰，即为共振峰），另一部分受到衰减。数字媒体技术概论_中国传媒大学_中国大学MOOC(慕课)4.4-声纹识别与语音合成。端到端（一整个神经网络）......

m0_49940316的博客 951

【Datawhale AI夏令营】2025 全球 AI 攻防挑战赛（语音生成方向）——学习笔记

2025全球AI攻防挑战赛聚焦智能语音生成与检测对抗，要求根据参考音频生成高仿真的目标说话人语音。技术核心涉及TTS系统架构、说话人嵌入提取、风格迁移和条件生成方法，需解决零样本克隆、多维度风格复现等难点。比赛强调生成语音需同时满足自然度要求和防伪检测规避能力，通过对抗训练提升模型欺骗率。参赛方案需平衡音色相似度、情感表达与反检测特性，利用扩散模型等技术优化声学特征生成，最终产出能突破现有防伪系统的语音样本。

qq_62461644的博客 343

Typora文档中的ClearerVoice-Studio语音注释功能

本文介绍了如何利用星图GPU平台，一键自动化部署ClearerVoice-Studio语音处理全流程的一体化开源工具包，为Typora文档创建高清语音注释。通过该镜像的语音增强功能，用户可快速处理录音并嵌入文档，轻松实现为技术文档、团队评审材料等添加语音讲解，提升信息传达效率与体验。

weixin_35391606的博客 300

Datawhale AI 夏令营 | 赛道3泛终端智能语音交互认证（生成赛）学习笔记

【代码】Datawhale AI 夏令营 | 赛道3泛终端智能语音交互认证（生成赛）学习笔记。

m0_74046692的博客 1103

Buzz语音转录终极指南：从零开始快速实现语音转文字

还在为整理会议录音而烦恼？想要一款完全免费、本地运行的语音转文字工具？Buzz作为基于OpenAI Whisper的开源语音处理软件，能够离线完成音频转录与翻译，让你的工作效率翻倍提升！🚀 ## 一、快速上手：一键安装方法 Buzz支持Windows、macOS和Linux三大主流系统，提供多种安装方式满足不同用户需求。新手用户推荐使用预编译安装包，操作简单快捷。 ### Windows系

gitblog_00214的博客 595

科大讯飞语音文字互转资源文件

科大讯飞语音文字互转资源文件 去发现同类优质开源项目:https://gitcode.com/ 此资源文件是基于我国知名的人工智能和语音识别技术公司——科大讯飞开放平台，精心打造的一款实现文字与语音互转的工具。通过这款工具，您可以在不同的场景下，轻松实现语音转文字以及文字转语音的功能。 功能特点 基于科大讯飞开放平台，拥有强大的语音识别和文字转换能力 支持多种语言和口音的识别与转换 实现实时的语...

gitblog_06763的博客 286
上一篇： 正则表达式
下一篇： C++学习笔记
点赞 0
评论 0
书签 书签 0
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值