语音识别

24 Aug 2021

前言

决定自己收集训练数据，搭建模型，训练一个语音识别的demo

训练数据收集

• common voice 7.0 2GB 63h 链接
• common voice 单词目标句段 4GB 82h 链接
• libri speech 英文的 暂时用不上
• Free ST Chinese Mandarin Corpus 没找到简介。。
• Primewords Chinese Corpus Set 1
• THCHS30
• MAGICDATA Mandarin Chinese Read Speech Corpus 包含4个压缩包
• aishell-1 2个压缩包
• aishell-3
• aishell-2 需要申请。。
• MobvoiHotwords hotwords检测的数，没有翻译。。
• 数据堂需要申请，并线下去拷贝。。
• 数据堂200h
• speech ocean
• Hi MIA 3个文件。 也是没有label。。
• cn celeb 4个文件。。，不过是声纹识别的数据集，没有label。。不能用于语音识别
• lingualibre 两个zip，包含一些中文字和单词

理论知识

• 来自知乎的综述
• las论文
• LAS模型：链接，稍微简单点
• 用RNN-T做的：链接

实践参考

• 来自知乎：链接
• 随便找的一篇中文语音识别：链接
• 数据堂官方

开源框架

• 5个开源框架
• didi实验室
• las的两个实现1 中文教程
• las的两个实现2

拼音转换

• pinyin2chinese
• 拼音->中文：simpleChinese2
• 中文->拼音：pinyin

动手实践

• 决定先试一下deepspeech1