语音识别：对不同深度学习方法的回顾

人类更喜欢使用同一种语言通过语音进行交流。语音识别可以定义为理解说话者所说单词的能力。

自动语音识别 (ASR) 是指识别人类语音并将其翻译成文本的任务。在过去的几十年里，这一研究领域得到了广泛的关注。它是人机通信的重要研究领域。早期的方法侧重于手动特征提取和传统技术，例如高斯混合模型 (GMM)、动态时间规整 (DTW) 算法和隐马尔可夫模型 (HMM)。

自动语音识别 (ASR) 是指识别人类语音并将其翻译成文本的任务 高斯混合模型 (GMM) 动态时间规整 (DTW) 隐马尔可夫模型 (HMM)

最近，神经网络（例如循环神经网络 (RNN)、卷积神经网络 (CNN) 以及近年来的 Transformers）已应用于 ASR 并取得了出色的性能。

如何制定自动语音识别 (ASR)？

ASR 的整体流程可以表示如下：

ASR 系统概述

ASR 系统概述

ASR 系统的主要目标是将具有特定长度 TTT 的音频输入信号 x=(x1,x2,…xT)\mathbf{x} = (x_1, x_2, \dots x_T)x=(x1​,x2​,…xT​) 转换为单词或字符序列（即标签）y=(y1,y2,…,yN\mathbf{y} = ( y_1, y_2, \dots, y_Ny=(y1​,y2​,…,yN​), yn∈Vy_{n}\in \mathbf{V}yn​∈V，其中 V\mathbf{V}V 是词汇表。标签可能是字符级标签（即字母）或单词级标签（即单词）。

x=(x1,x2,…xT)\mathbf{x} = (x_1, x_2, \dots x_T)x=(x1​,x2​,…xT​) x=(x1,x2,…xT)\mathbf{x} = (x_1, x_2, \dots x_T)x=(x1​,x2​,…xT​) x=(x1,x2,…xT)\mathbf{x} = (x_1, x_2, \dots x_T) $x=(x1,x2,\dots xT)\backslash mathbf\{x\}\; =\; (x\_1,\; x\_2,\; \backslash dots\; x\_T)$ x=(x1,x2,…xT)\mathbf{x} = (x_1, x_2, \dots x_T) x=(x1,x2,…xT) x = ( x1 x 1 , x2 x 2 , … xT x T ) \mathbf{x} = (x_1, x_2, \dots x_T) x=(x1​,x2​,…xT​) x= x x = (x1​,x2​,…xT​) ( x1​ x 1​ 1​ 1​ 1 1 1 1 ​ ,