英文语音识别

英文语音识别项目以Google的speech_commands英文单词语音识别项目为基础，并做了一些修改，以更好地使用。该项目构建可以识别10个不同单词的基本语音识别网络，10个单词分别为“yes”“no”“up”“down”“left”“right”“on”“off”“stop”“go”。实际的语音和音频识别系统要复杂得多，但就像基于MNIST数据集学习图像识别一样，这个基本语音识别网络能够帮助读者了解所涉及的一些基本技术。
可以通过多种方法构建用于处理音频的神经网络模型，其中包括递归网络或扩张（带洞）卷积。本项目基于Convolutional Neural Networks for Small-footprint Keyword Spotting这篇论文中介绍的架构，这种架构相对简单、可快速训练，并且易于理解。由于音频本身是一段时间内的一维连续信号，而不是二维空间信号，所以这里采用的是卷积神经网络。本项目定义了一个语音字词应该符合的时间范围，并将这段时间内的音频信号转换成图像。将传入的音频样本分成小段（时长仅为几毫秒）并计算一组频段内频率的强度，一段音频内的每组频率强度为数字向量，这些向量按时间顺序排列，形成一个二维数组，该数组可被视为单通道图像，称为声谱图。
具体做法是：将输入的语音处理成能够读取的数据，即将其转换成一组梅尔频率倒谱系数（Mel-Frequency Cepstral Coefficients，MFCC）。MFCC也是一种二维单通道表示法，因此也可将其视为图像，图像会输送到多层卷积神经网络中进行处理，并且在卷积神经网络处理后接入全连接层，再经过softmax()函数完成分类，实现区分不同词汇的功能。