210981038_基于SpeechBrain_的语音识别在语音问答中的应用探索.pdfVIP

新技术应用

基于SpeechBrain

李丹1，2

（1桂林师范高等专科学校，广西桂林541199；桂林2信息科技学院，广西桂林541004）

语音识别把语音信号转变为相应的文本或命令，是实现人机交互的重要桥梁，文章探索性使SpeechBrain用了基于的语音识别，结

合语音唤醒、语音录制和文字转语音技术，实现了一个简易的语音问答系统，并取得一定效果。

图源网络1概述语音识别技术方案大多都是以语音为Kaldi、ESPNet、CMUSphinx、

基础的，包括发音模型，声学模型和语言HTK等，它们各有各的不足之处。比

语音识别技术，也称自动模型等。语音识别模型历经三个阶段，从如Kaldi依赖大量的脚本语言，其核心

语音识别AutomaticSpeech最初的基于GMM-HMM的模型，发展到算法是用C++编写的，当需要改变各

Recognition(ASR)，是以语音为研究基于DNN-HMM深度神经网络模型，再种神经网络结构时，开发者往往调试起

对象，通过语音信号处理和模式识别到现在的端到端语音识别模型。常见的端来非常困难和复杂。秉承着让语音开发

让机器自动识别和理解人类口述的语对端模型有CTC、RNN-T、atttention-够简单、够灵活、对用户友好的宗旨，

言，从而把语音信号转变为相应的文basedencoder-decoder、LAS等模SpeechBrain诞生了。

本或命令，是实现人机交互的重要桥型。语音识别技术的发展，是人工智能改SpeechBrain是一个基于PyTorch

梁。语音识别包括两个步骤：训练和变大众生活的重要一环，其识别率越来越的开源和一体化语音工具包。在语音识

识别。训练是指对收集到的海量语音高，应用领域也越来越广泛。文章基于别技术上，支持端到端的语音识别的

数据集通过信号处理和知识挖掘获取SpeechBrain语音识别在语音问答中的方法，支持具有微调功能的wav2vec

“声学模型”和“语言模型”过程。应用进行探索，取得一定效果。2.0预训练模型。它具有易于定制

识别则是通过进行端点检测、降噪、的神经网络模型，包括RNNLM和

特征提取，利用训练好的“声学模型”TransformerLM模型，具有混合连

和“语言模型”对用户说话的特征向2SpeechBrain语音接时序分类CTC和注意力机制的端到

量进行统计模式识别，也称为解码过识别简介端自动语音识别ASR。除了提供从头

程，从而得到语音中包含的文字信息。开发者常用的语音工具主要有开始训练模型外，SpeechBrain还在

作者简介:李丹，硕士，高级实验师，研究方向为计算机应用技术。

基金项目：2019年度广西高校中青年教师科研基础能力提升项目(2019KY1032)。

34科技视界

ScienceTechnologyVisionCopyright©博看网.AllRightsReserved.

新技术应用

HuggingFace上提供了预先训练的模义的唤醒词为英文“LULU”，这然后实例化Recognize()，通过

型，其中包含有中文预训练模