暮木的博客

论文：Lightweight End-to-End Speech Recognition from Raw Audio Data Using Sinc-Convolutions摘要：许多端到端自动语音识别（ASR）系统仍依赖于经过预处理的频域特征，这些特征是手工制作的以模仿人类的听力。集成可学习特征提取的最新进展推动了我们的工作。为此，文本提出了将Sinc卷积与深度卷积相结合的轻型Sinc卷积（LSC），作为端到端ASR系统的低参数机器学习特征提取。本文将LSC(轻型Sinc卷积)融合进C.

论文： Conformer: Convolution-augmented Transformer for Speech Recognition摘要： 讲了基于CNN和Transformer的语音识别模型表现比以RNN为基础的模型好，Transformer模型擅长捕获基于内容的全局交互，而CNN则有效地利用了局部特征。本文工作：我们通过研究如何结合卷积神经网络和Transformer到一个模型，以参数有效的方式对音频序列的局部和全局相依性进行建模，从而实现了两个方面...

论文： On the Comparison of Popular End-to-End Models for Large Scale SpeechRecognition(2020)大致内容：介绍了主流了端到端系统流式和非流式（RNN-T,RNN-AED,Transformer-AED） 展示了AED模型在非流式中比RNN-T模型好，在流式中RNN-T更有竞争性 Transformer-AED是目前的主流，在流式和非流式上都可以实现最好的精确度 展示目前的趋势是混合系统，将不同...

端到端语音识别模型(原文地址）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。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，并探讨不同端到端语音识别模型的优缺点。 ...

一、NAOqi APIs　　NAOqi OS是NAO机器人的核心操作系统，NAOqi API提供了访问机器人的各种传感器设备接口以及应用接口。通过NAOqi，可以在动作、视觉、音频等不同模块之间相互传递信息，也可以通过编程实现各种功能。二、安装python和NAOqi库　　Windows环境下，NAO支持的python版本为32位的python2，可以在python官网中下载。选择Windows××86 MSI installer，并配置python2的环境变量，将C:\Python27和C:.

语音参数提取特征分帧 ——> 预增强 ——> 加窗 ——> 添加噪声 ——> FFT ——> Mel滤波 ——> 对数运算——> DCT分帧我们需要将不定长的音频切分成固定长度的小段，这一步称为分帧。一般取10-30ms为一帧，为了避免窗边界对信号的遗漏，因此对帧做偏移时候，要有帧迭(帧与帧之间需要重叠一部分)。 一般取帧长的一半作为帧移，也就是每次位移一帧的二分之一后再取下一帧，这样可以避免帧与帧之间的特性变化太大。通常的选择是25ms每帧，帧迭为10

前言总结目前语音识别的发展现状，dnn、rnn/lstm和cnn算是语音识别中几个比较主流的方向。2012年，微软邓力和俞栋老师将前馈神经网络FFDNN（Feed Forward Deep Neural Network）引入到声学模型建模中，将FFDNN的输出层概率用于替换之前GMM-HMM中使用GMM计算的输出概率，引领了DNN-HMM混合系统的风潮。长短时记忆网络（LSTM，LongShort Term Memory）可以说是目前语音识别应用最广泛的一种结构，这种网络能够对语音的长时相关性进行建模，

导入必要模块随机生成数据import randomimport numpy as npimport matplotlib.pyplot as pltimport torchimport torch.nn as nnimport torch.nn.functional as Fx_train_list = []y_train_list = []for i in range(1, 50): x = i*random.choice([0.7,0.8,0.9]) y = i*

1.加载数据集一个快速体验学习的小tip在google的云jupyter上做实验，速度快的飞起。import torchfrom torch.nn import Linear, ReLUimport torch.nn as nnimport numpy as npfrom torch.autograd import Variablefrom torchvision import datasets,transformsfrom torch.autograd import Variable

目录一.会议1.1国际最顶尖会议1.2其他二. 期刊2.1国内2.2国外：三.国际语音识别技术研究机构五. 语音识别技术工具包六.主页和博客一.会议1.1国际最顶尖会议ICASSP：International Conference on Acoustics, Speech and Signal Processing每年一届，10月截稿，次年...