36、循环神经网络与自动语音识别：从数据准备到模型应用

循环神经网络与自动语音识别：从数据准备到模型应用

1. 循环神经网络（RNN）概述

循环神经网络（RNN）主要用于处理序列数据。音频信号相较于视频信号维度更低（线性信号与二维像素阵列对比），因此从音频时间序列数据入手使用RNN会相对容易。多年来，语音识别技术有了显著提升，已逐渐成为可解决的问题。

在语音识别中，常见的预处理方式是将声音以某种色谱图表示，常用的技术是使用梅尔频率倒谱系数（MFCCs），可参考 此博客 获取相关介绍。

训练模型需要数据集，以下是一些常用的数据集：
- LibriSpeech (www.openslr.org/12)
- TED - LIUM (www.openslr.org/7)
- VoxForge (www.voxforge.org)

关于使用这些数据集在TensorFlow中实现简单语音识别的详细教程可查看 这里 。

RNN的总结如下：
- 循环神经网络（RNN）会利用过去的信息，从而能够对具有高时间依赖性的数据进行预测。
- TensorFlow自带RNN模型。
- 由于数据中的时间依赖性，时间序列预测是RNN的一个实用应用场景。

2. 自动语音识别（ASR）的发展

如今，与电子设备进行语音交互已十分常见。过去，语音识别的准确率较低，而现在，神经网络在自动语音识别