RNN–语音识别

1.语音数据的表示方式

语音 通常是由 音频信号 构成的, 而音频信号本身又是以 声波 的形式传递的, 一段语音的 波形 通常是一种时序状态, 也就是说音频信号是按照时间顺序播放的。 通过一些预处理和转换技术, 可以将声波转换为更小的声音单元, 即 音频块. 所以在语音识别的深度学习模型中, 输入就是原始的语音片段经过预处理之后的一个个音频块, 这样的音频块是以序列形式存在的。

语音识别的输入是一个序列, 输出通常是以一段文字的形式呈现, 这段文字也是按顺序排列的文本序列, 所以语音识别的输出也是一个序列。说白了, 语音识别热舞就是建立 序列输入 到 序列输出 之间的有监督机器学习模型.