Keras深度学习实战（41）——语音识别

0.前言

语音识别(Automatic Speech Recognition, ASR，或称语音转录文本)使声音变得"可读"，让计算机能够"听懂"人类的语言并做出相应的操作，是人工智能实现人机交互的关键技术之一。在《图像字幕生成》一节中，我们已经学习了如何将手写文本图像转录为文本，在本节中，我们将利用类似的端到端模型实现将语音转录文本模型，将语音文件转录为文字。

1. 模型与数据集分析

1.1 数据集分析

为了构建语音转录文本模型，我们所使用的数据集中包含了大约 29000 条语音文件及其对应的文本，相关数据集可以在 openslr 链接中下载，下载完成后解压缩，可以看到文件夹 train-clean-100 中的有若干子目录，每个目录下都有数条音频文件和对应的文本数据。