Hey Siri 及 Ok Google 原理 - AI 語音辨識專案真應用開發, 2/e

楊學銳, 晏超, 劉雪松

  • Hey Siri 及 Ok Google 原理 - AI 語音辨識專案真應用開發, 2/e-preview-1
  • Hey Siri 及 Ok Google 原理 - AI 語音辨識專案真應用開發, 2/e-preview-2
  • Hey Siri 及 Ok Google 原理 - AI 語音辨識專案真應用開發, 2/e-preview-3
  • Hey Siri 及 Ok Google 原理 - AI 語音辨識專案真應用開發, 2/e-preview-4
  • Hey Siri 及 Ok Google 原理 - AI 語音辨識專案真應用開發, 2/e-preview-5
  • Hey Siri 及 Ok Google 原理 - AI 語音辨識專案真應用開發, 2/e-preview-6
  • Hey Siri 及 Ok Google 原理 - AI 語音辨識專案真應用開發, 2/e-preview-7
  • Hey Siri 及 Ok Google 原理 - AI 語音辨識專案真應用開發, 2/e-preview-8
  • Hey Siri 及 Ok Google 原理 - AI 語音辨識專案真應用開發, 2/e-preview-9
  • Hey Siri 及 Ok Google 原理 - AI 語音辨識專案真應用開發, 2/e-preview-10
  • Hey Siri 及 Ok Google 原理 - AI 語音辨識專案真應用開發, 2/e-preview-11
  • Hey Siri 及 Ok Google 原理 - AI 語音辨識專案真應用開發, 2/e-preview-12
  • Hey Siri 及 Ok Google 原理 - AI 語音辨識專案真應用開發, 2/e-preview-13
  • Hey Siri 及 Ok Google 原理 - AI 語音辨識專案真應用開發, 2/e-preview-14
  • Hey Siri 及 Ok Google 原理 - AI 語音辨識專案真應用開發, 2/e-preview-15
  • Hey Siri 及 Ok Google 原理 - AI 語音辨識專案真應用開發, 2/e-preview-16
  • Hey Siri 及 Ok Google 原理 - AI 語音辨識專案真應用開發, 2/e-preview-17
Hey Siri 及 Ok Google 原理 - AI 語音辨識專案真應用開發, 2/e-preview-1

相關主題

商品描述

\好評再版/

★語音前端處理,語音辨識

★語者自動分段標記演算法原理

★基於WebRTCKaldigRPC,從零建構穩定、高性能、可商用的語音服務

★前端演算法完整介紹

★語音活動檢測、語音降噪、回聲消除、波束形成

WebRTCKaldi最佳化處理流程

★形成語音演算法SDK

★微服務建構的RPC遠端呼叫框架和SDK

 

【內容簡介】

本書從語音辨識的概要談起,並且介紹了目前市場概況及常用的工具包括WebRTC及技術人最愛的Kaldi。接下來說明了語音訊號的聲學基和數位化、時頻變換的原理。語音技術中最重要的演算法也有說明,包括了各種VAD、單通道降噪、回聲消除等濾波器、波束形成的介紹。重點部分包括了語音辨識中最重要的特徵提取和聲學模型,如傳統及神經網路基礎的實作法。

在了解原理之後,即開始建立真正專案,包括使用Kaldi實作一個國語的模型。最近流行的語者自動分段標記在本書中也有實作,大量應用了深度學習的模型及音訊庫、函數庫等。如使用了CNCeleb的聲紋資料當作訓練集。在Kaldi的進階應用方面,也實作了其SDK的音訊特徵提取及WebRTC的語音活動檢測。

本書的收尾之作就是使用了gRPC進行一個完整的語音識別服務實作,使用了現在最好用的ProtoBuf的協定進行運作,完成了伺服器/客戶端應用開發,可以說是目前市面上最完整的語音辨識中文圖書。

作者簡介

楊學銳

大疆創新語音交互演算法負責人,復旦大學及Turku大學碩士,長期從事語音演算法、深度學習、人工智慧等領域的研究與商業落地,在相關領域發表多篇論文及專利。

 

晏超

北京郵電大學碩士,曾任職於HP Labs Cisco Technicolor等公司。 現為雲從科技語音演算法負責人,從事語音辨識、聲紋識別、說話人日誌、語音合成等方向的演算法研發工作,構建了雲從科技整套語音演算法引擎與應用服務平臺。

 

劉雪松

OPPO音訊演算法專家,復旦大學碩士,曾任職於美國國家儀器、聲網、雲從科技等公司。 在信號處理、音訊演算法和語音演算法等領域有豐富的實戰經驗,在相關領域發表多篇論文及專利。

目錄大綱

Chapter 01 語音辨識概述

1.1 語音辨識發展歷程

1.2 語音辨識產業與應用

1.2.1 消費級市場

1.2.2 企業級市場

1.3 常用語音處理工具

1.3.1 WebRTC

1.3.2 Kaldi

1.3.3 點對點語音辨識工具套件

 

Chapter 02 語音訊號基礎

2.1 語音訊號的聲學基礎

2.1.1 語音產生機制

2.1.2 語音訊號的產生模型

2.1.3 語音訊號的感知

2.2 語音訊號的數位化和時頻變換

2.2.1 語音訊號的採樣、量化和編碼

2.2.2 語音訊號的時頻變換

2.3 本章小結

 

Chapter 03 語音前端演算法

3.1 語音前端演算法概述

3.2 VAD

3.2.1 基於門限判決的VAD

3.2.2 基於高斯混合模型的VAD

3.2.3 基於神經網路的VAD

3.3 單通道降噪

3.3.1 譜減法

3.3.2 維納濾波法

3.3.3 音樂雜訊和參數譜減法

3.3.4 貝氏準則下的MMSE

3.3.5 雜訊估計

3.3.6 基於神經網路的單通道降噪

3.4 回音消除

3.4.1 回音消除概述

3.4.2 線性自我調整濾波

3.4.3 分區塊頻域自我調整濾波器

3.4.4 雙邊對話檢測

3.4.5 延遲估計

3.4.6 殘留回音消除

3.4.7 基於神經網路的回音消除

3.5 麥克風陣列與波束形成

3.5.1 麥克風陣列概述

3.5.2 延遲求和波束形成

3.5.3 最小方差無失真回應波束形成

3.5.4 廣義旁波瓣對消波束形成

3.5.5 後置濾波

3.5.6 基於神經網路的波束形成

3.6 聲源定位

3.6.1 GCC-PHAT

3.6.2 基於自我調整濾波的聲源定位

3.6.3 SRP-PHAT

3.6.4 子空間聲源定位演算法

3.6.5 基於神經網路的聲源定位

3.7 其他未盡話題

3.8 本章小結

 

Chapter 04 語音辨識原理

4.1 特徵提取

4.1.1 特徵前置處理

4.1.2 常見的語音特徵

4.2 傳統聲學模型

4.2.1 聲學建模單元

4.2.2 GMM-HMM

4.2.3 強制對齊

4.3 DNN-HMM

4.3.1 語音辨識中的神經網路基礎

4.3.2 常見的神經網路結構

4.4 語言模型

4.4.1 n-gram 語言模型

4.4.2 語言模型的評價指標

4.4.3 神經語言模型

4.5 WFST 解碼器

4.5.1 WFST 原理

4.5.2 常見的WFST 運算

4.5.3 語音辨識中的WFST 解碼器

4.5.4 權杖傳遞演算法

4.5.5 Beam Search

4.6 序列區分性訓練

4.6.1 MMI bMMI

4.6.2 MPE sMBR

4.6.3 詞圖

4.6.4 LF-MMI

4.7 點對點語音辨識

4.7.1 CTC

4.7.2 Seq2Seq

4.8 語音辨識模型評估

4.9 本章小結

 

Chapter 05 中文漢語模型訓練-- multi_cn 為例

5.1 Kaldi 安裝與環境設定

5.2 Kaldi 中的資料格式與資料準備

5.3 語言模型訓練

5.4 發音詞典準備

5.5 特徵提取

5.6 Kaldi 中的Transition 模型

5.7 預對齊模型訓練

5.7.1 單音素模型訓練

5.7.2 delta 特徵模型訓練

5.7.3 lda_mllt 特徵變換模型訓練

5.7.4 語者自我調整訓練

5.8 資料增強

5.8.1 資料清洗及重分割

5.8.2 速度增強和音量增強

5.8.3 SpecAugment

5.9 I-Vector 訓練

5.9.1 對角UBM

5.9.2 I-Vector 提取器

5.9.3 提取訓練資料的I-Vector

5.10 神經網路訓練

5.10.1 Chain 模型

5.10.2 Chain 模型態資料準備

5.10.3 神經網路設定與訓練

5.11 解碼圖生成

5.12 本章小結

5.13 附錄

5.13.1 xconfig 中的描述符及網路設定表

5.13.2 Chain 模型中的egs

5.13.3 Kaldi nnet3 中迭代次數和學習率調整

 

Chapter 06 基於Kaldi 的語者自動分段標記

6.1 語者自動分段標記概述

6.1.1 什麼是語者自動分段標記

6.1.2 語者自動分段標記技術

6.1.3 語者自動分段標記評價指標

6.2 聲紋模型訓練-- CNCeleb 為例

6.2.1 聲紋資料準備

6.2.2 I-Vector 訓練

6.2.3 X-Vector 訓練

6.2.4 LDA/PLDA 後端模型訓練

6.2.5 語者自動分段標記後端模型訓練

6.3 本章小結

 

Chapter 07 基於Kaldi 的語音SDK 實現

7.1 語音特徵提取

7.1.1 音訊讀取

7.1.2 音訊特徵提取

7.2 基於WebRTC 的語音活動檢測

7.3 語者自動分段標記模組

7.3.1 I-Vector 提取

7.3.2 X-Vector 提取

7.3.3 語者自動分段標記演算法實現

7.4 語音辨識解碼

7.5 本章小結

 

Chapter 08 基於gRPC 的語音辨識服務

8.1 gRPC 語音服務

8.2 ProtoBuf 協定定義

8.3 基於gRPC 的語音服務實現

8.3.1 gRPC Server 實現

8.3.2 gRPC Client 實現

8.3.3 gRPC 語音服務的編譯與測試

8.4 本章小結

 

Appendix A 參考文獻