xmdxcsj的专栏

http://blog.youkuaiyun.com/xiaoding133/article/details/8842945上面是别人总结的语音识别方向的资料来源

Historyencoder-decoder2014年Kyunghyun Cho[1]提出了RNN Encoder-Decoder的网络结构，主要用在翻译上面。 encoder将变长的输入序列映射到一个固定长度的向量，decoder将该向量进一步映射到另外一个变长的输出序列，网络结构如下图： encoder: h⟨t⟩=f(h⟨t−1⟩,xt)\boldsymbol h_{\langle

相关笔记CTC学习笔记（一） 简介 CTC学习笔记（二） 训练和公式推导 CTC学习笔记（三） 解码 CTC学习笔记（四） 解码-WFST CTC学习笔记（五） eesen训练源码HistoryICML-2006. Graves et al. [1] introduced the connectionist temporal classification (CTC) objective fu

传统方法的局限性[1]HMMMarkovian Assumptionp(qt|q<t)=p(qt|qt−1)p(q_t|q_{<t})=p(q_t|q_{t-1}) 转移概率只跟前一个时刻有关，无法对长时依赖性建模。Conditional Independence Assumptionp(xt|x<t,q≤t)=p(xt|qt)p(x_t|x_{<t}, q_{\leq t})=p(x_t|q_t

变量定义1.warping function F=c(1),c(2)...c(k)...c(K)F=c(1),c(2)...c(k)...c(K) 其中c(k)=(i(k),j(k))c(k)=(i(k),j(k)) 表示两个语音特征序列A和B之间的映射关系。 2.time-normalized distance D(A,B)=MinF[∑Kk=1d(c(k))⋅w(k)∑Kk=1w(k)

情绪分类可以根据activation和valence将情绪简单分为两类，包括： - 声音大、快、高频能量大、pitch均值大而且分布范围广，比如joy/anger/fear - 相反，比如sadness情绪的类别根据palette theory可以分为以下几类： anger/fear/joy/sadness/surprise/disgust公开数据集特征类别维度global feature在准

introductionword-spotting,audio indexing,spoken term detection 输出的是word lattice，根据lattice计算关键词的后验概率。 ATWV=mean(Ncorrect(s)Ntrue(s)−βNspurious(s)T−Ntrue(s))ATWV=mean(\frac{N_{correct}(s)}{N_{true}(s)}

发展应用场景：smartly reject non-speech noises, detect/reject out-of-vocabularywords, detect/correct some potential recognition mistakes, clean up human transcriptionerrors in large training corpus, guide

http://developer.baidu.com/wiki/index.php?title=docs/cplat/media/voice/sdk1.      首先到百度开发者平台注册（http://developer.baidu.com/），创建新的应用，应用创建需要审核一段时间，然后可以得到APIKEY和SECRETKEY，2.      申请开启语音识别服务。3.      

现在的端到端语音识别的第一个“端”大部分还是使用人为设定的语音特征，比如FBANK/PLP，更高级的端到端语音识别输入是语音波形，输出是文字。 近几年也有一些工作是使用神经网络（比如CNN）来学习传统的特征提取步骤，取得了跟使用传统的语音特征相当的结果，当前这部分工作绝大多数还是基于传统的HMM框架来做，还没有跟CTC或者encoder-decoder相结合。CNNGoogle[1]分析了CNN跟