對各位語音識别新手的幾句建議

對各位語音識别新手的建議

由于工作的原因，很長時間不能更新部落格和管理kaldi群，每天看着kaldi群的人數不斷增長，由衷的為從事語音感到自豪，希望在我部落格和群裡能得到你們想要的，但我同時拒絕伸手黨。這幾年語音的發展很迅速，是以導緻更多的人來學習：

下面主要從2個方面來說明，一個是從學生角度，一個是從工業角度。希望以後問怎麼學習和怎麼研究的人會越來越少，當然我這裡也隻是抛磚引玉。

學生角度

如果你是大學生，你或許付出的努力會更多。如果你是研究所學生，最好是數學和英語好，要不然你同樣付出很多努力。

1、基礎部分

預設你是研究所學生，你學過基本的矩陣理論和随機過程，一些簡單的模式識别原理，這樣你或者利于了解識别的原理。預設你能夠閱讀一般的英文文獻，不要害怕專有名詞，等你見多了，自然能看懂。也行英文六級過了，一般的文章能看得懂，隻要語句知道怎麼翻譯。這就是數學和英文基礎，希望你具備。

此外，預設你具有一些計算機基礎，比如c語言和c++，和其他的一些腳本語言如python，shell，perl等基礎。如果你不會的話，不要怕，去網上聽公開課，也許你聽的夠多，也就會了。此外，你一定要會linux的基本指令，僅僅是基本指令，慢慢的你也會其他高階的指令，這個隻要你慢慢用。

如果你不具備這些，可以早點學；如果你具備，那你已經達到基礎的一步。如果你覺得特别難，趕緊放棄吧。其他的路也是一條很好的路，其實學語音識别需要的東西太多，是以你要有足夠的心理準備。如果你的老師或者其他人隻丢給你一個課題，如果你根本不感冒，那就勸你直接放棄吧。也許你學習其他的東西，也可以活得很好。再次強調，這也許是一條不歸路，或者說很長很長的路，遠比你之前遇到的都難。

2.進階

哦，忘記一個非常重要的東西，就是資料結構和算法。如果你沒有學過，趕緊學，這個東西非常非常重要。

這也許是第一個進階的 東西，這個東西很奇妙，如果你有興趣，你可以做的很好。

接下來你需要看一些語音的基礎知識，知道語音的一些基本處理或者信号的一些基本處理。如果你根本不懂傅裡葉變換或者你根本不知道為什麼那樣，或許你需要思考。這個是大學的信号與系統，數字信号處理，通信原理等等的一些基礎知識。

然後，你可以看下語音識别的一些基本知識，當然這個中文的課本也沒一個說的好的。你可以先看看機器學習，比如邏輯斯特回歸，支援向量機，高斯混合模型，隐馬爾科夫模型。當然還有信号檢測和估計的一些理論，多元高斯模型和最大似然估計等等。結合你的中文課本和htk中文版前三章，試試看，能不能更好的了解。當然你可以看kaldi首頁的内容，看看一些簡單的東西，比如課外的一些語音課程，這個隻有ppt和一些材料，很少有視訊，如果你們學校有老師講那就更好。比如上海交通大學的俞凱老師。

這裡，預設你已經知道一些基本的原理了，也許你不夠具體，不要怕，繼續走，也許某一個瞬間就明白了。多思考多想想，這個是最好的建議。

3.高階

你可以去看看kaldi的腳本和代碼或者htk的腳本和代碼或者其他平台，再根據你的理論試試結合，如果你不懂，多問問，也許你慢慢就積累了，慢慢就會了。如果有人帶你，那就更好了。慢慢的你就成為高手了。

這時候你了解了GMM-HMM那套後，就去看DNN那一套吧，甚至更高深的東西。

如果你是學生，發現上面跟你的差别特别大，如果你沒興趣的話，最好放棄，别為難自己。要學的的确很多，但為了你未來的路好走，或許你必須這樣辛苦。

工業角度

如果你隻是想使用語音識别，你最好去調别人家的SDK。如果你的确需要去做，你可以看看上面的那麼多條，你具備嗎？

其次，你真的很想很想做，第一個問題來，語料有嗎?買，的确很貴，不買，做不出來。然後，你有人嗎？沒有幾個懂得人慢慢去弄也很麻煩，是以的确不是剛需，你可以嘗試去調别人的SDK。

經常會被問的問題：

1.我就想做個我說一句話，然後就識别為文字。

有時候問這個問題，我的确挺氣的。你們知道這背後有多少東西，沒有那麼簡單就搞出來的。統一回答：你需要找到訓練語料，然後訓練一個模型，然後再弄解碼，然後再出來。這個需要訓練模型，需要語料，你有嗎？

2.不是有kaldi或者htk了嗎？再說王東老師都開源中文的識别例子了？自己可以搞了。

然而并不是，王東老師弄這個例子是為了促進中文語音識别的發展，真的特别感謝王東老師。我當時讀研的時候什麼資料庫都沒，就自己看。但這個語料僅僅隻是科研，你想要工業應用，還差十萬八千裡。開源的的确存在，你需要有自己的資料庫，然後利用開源來搭建一個适合自己情景的系統。

3.機器真的要GPU嗎？

現在都知道dnn或者LSTM的效果好，這些都是用顯示卡和語料燒出來的，也就是用錢喂出來的。是以這個的确需要錢……

基本對于工業的人來說已經夠了，應該足夠自己做判斷了。再次強調語音識别還是一個高門檻的事情，謹慎入。當然土豪就無所謂了。

以上對于大家來說，可以做判斷了，聰明的人做聰明的判斷。

希望更多的人加入到語音這個大家庭來，共同繁榮語音事業。

後續會根據回報情況，逐漸回報。

看了群裡n多初級的問題，這裡彙總下：

1.請問有沒有可能做爬蟲去網上下載下傳訓練資料？商業資料還是太貴了…

答：

網上的訓練資料問題：1）采樣率是否統一，有沒有做過重采樣；2）說話人是否足夠；3）是否有标注；4）若有聲讀物标注是一長段，不太适合訓練，需搞短點；5）電影裡的背景聲音問題；6）新聞的倒是有可能用，但也需要很多人工切分，處理等。

2.自己的資料怎麼弄？

kaldi中有很多的例子，你可以參考kaldi裡的任何一個例子，英文的可以參考的很多，中文的就參考王東老師提供的thchus30。主要是資料準備階段，其他的都可以複用腳本，但不一定适合自己，别忘了調整參數。

版權所有，如果您轉載，請附上原連結。