[正版] 语音识别服务实战 语音交互流程中的语音前端处理 语音识别和说话人日志算法原理 语音识别工程落地和服务搭建书籍

         店铺公告

  为保障消费者合理购买需求及公平交易机会，避免因非生活消费目的的购买货囤积商品，抬价转售等违法行为发生，店铺有权对异常订单不发货且不进行赔付。异常订单：包括但不限于相同用户ID批量下单，同一用户（指不同用户ID，存在相同/临近/虚构收货地址，或相同联系号码，收件人，同账户付款人等情形的）批量下单（一次性大于5本），以及其他非消费目的的交易订单。

温馨提示：请务必当着快递员面开箱验货，如发现破损，请立即拍照拒收，如验货有问题请及时联系在线客服处理，（如开箱验货时发现破损，所产生运费由我司承担，一经签收即为货物完好，如果您未开箱验货，一切损失就需要由买家承担，所以请买家一定要仔细验货），

关于退货运费：对于下单后且物流已发货货品在途的状态下，原则上均不接受退货申请，如顾客原因退货需要承担来回运费，如因产品质量问题（非破损问题）可在签收后，联系在线客服。

  本店存在书、古旧书、收藏书、二手书等特殊商品，因受采购成本限制,可能高于定价销售，明码标价，介意者勿拍!

1.书籍因稀缺可能导致售价高于定价,图书实际定价参见下方详情内基本信息,请买家看清楚且明确后再拍，避免价格争议!

2.店铺无纸质均开具电子，请联系客服开具电子版

 

编辑推荐

《语音识别服务实战》系统介绍语音交互流程中的语音前端处理、语音识别和说话人日志等算法原理，重点介绍如何基于WebRTC，Kaldi和gRPC，从零构建产业界稳定、高性能、可商用的语音服务，具有很强的实践性。

内容提要

随着语音算法技术的不断发展与完善，如何进行工程落地成为语音商业应用中普遍面临的问题。工程落地不仅要考虑模型效果，还要考虑资源占用、模块联调且整个架构要具有可靠性、可扩展性和可维护性。

《语音识别服务实战》围绕如何从零构建一个完整的语音识别系统，深入浅出地介绍了语音识别前端算法、语音识别算法及说话人日志算法原理；基于Kaldi的模型训练；语音识别工程落地和服务搭建。

《语音识别服务实战》适合作为语音技术研究人员及对语音技术感兴趣的开发人员的参考用书。

目录

第1章  语音识别概述 1

1.1  语音识别发展历程 2

1.2  语音识别产业与应用 6

1.2.1  消费级市场 7

1.2.2  企业级市场 8

1.3  常用语音处理工具 10

1.3.1  WebRTC 10

1.3.2  Kaldi 12

1.3.3  端到端语音识别工具包 14

第2章  语音信号基础 16

2.1  语音信号的声学基础 17

2.1.1  语音产生机理 17

2.1.2  语音信号的产生模型 19

2.1.3  语音信号的感知 20

2.2  语音信号的数字化和时频变换 22

2.2.1  语音信号的采样、量化和编码 22

2.2.2  语音信号的时频变换 25

2.3  本章小结 31

第3章  语音前端算法 32

3.1  语音前端算法概述 33

3.2  VAD 35

3.2.1  基于门限判决的VAD 36

3.2.2  基于高斯混合模型的VAD 38

3.2.3  基于神经网络的VAD 40

3.3  单通道降噪 43

3.3.1  谱减法 44

3.3.2  维纳滤波法 46

3.3.3  音乐噪声和参数谱减法 48

3.3.4  贝叶斯准则下的MMSE 51

3.3.5  噪声估计 56

3.3.6  基于神经网络的单通道降噪 61

3.4  回声消除 65

3.4.1  回声消除概述 66

3.4.2  线性自适应滤波 69

3.4.3  分块频域自适应滤波器 70

3.4.4  双讲检测 72

3.4.5  延迟估计 75

3.4.6  残留回声消除 76

3.4.7  基于神经网络的回声消除 78

3.5  麦克风阵列与波束形成 79

3.5.1  麦克风阵列概述 80

3.5.2  延迟求和波束形成 86

3.5.3  *小方差无失真响应波束形成 89

3.5.4  广义旁瓣对消波束形成 92

3.5.5  后置滤波 98

3.5.6  基于神经网络的波束形成 101

3.6  声源定位 103

3.6.1  GCC-PHAT 104

3.6.2  基于自适应滤波的声源定位 105

3.6.3  SRP-PHAT 108

3.6.4  子空间声源定位算法 108

3.6.5  基于神经网络的声源定位 111

3.7  其他未尽话题 111

3.8  本章小结 113

第4章  语音识别原理 114

4.1  特征提取 116

4.1.1  特征预处理 116

4.1.2  常见的语音特征 119

4.2  传统声学模型 124

4.2.1  声学建模单元 124

4.2.2  GMM-HMM 126

4.2.3  强制对齐 131

4.3  DNN-HMM 131

4.3.1  语音识别中的神经网络基础 132

4.3.2  常见的神经网络结构 137

4.4  语言模型 145

4.4.1  n-gram语言模型 145

4.4.2  语言模型的评价指标 148

4.4.3  神经语言模型 148

4.5  WFST解码器 151

4.5.1  WFST原理 151

4.5.2  常见的WFST运算 152

4.5.3  语音识别中的WFST解码器 155

4.5.4  令牌传递算法 157

4.5.5  Beam Search 159

4.6  序列区分性训练 160

4.6.1  MMI和bMMI 161

4.6.2  MPE和sMBR 161

4.6.3  词图 161

4.6.4  LF-MMI 162

4.7  端到端语音识别 163

4.7.1  CTC 163

4.7.2  Seq2Seq 166

4.8  语音识别模型评估 169

4.9  本章小结 171

第5章  中文普通话模型训练——以multi_cn为例 172

5.1  Kaldi安装与环境配置 173

5.2  Kaldi中的数据格式与数据准备 174

5.3  语言模型训练 178

5.4  发音词典准备 180

5.5  特征提取 184

5.6  Kaldi中的Transition模型 186

5.7  预对齐模型训练 187

5.7.1  单音素模型训练 187

5.7.2  delta特征模型训练 190

5.7.3  lda_mllt特征变换模型训练 191

5.7.4  说话人自适应训练 192

5.8  数据增强 193

5.8.1  数据清洗及重分割 194

5.8.2  速度增强和音量增强 194

5.8.3  SpecAugment 196

5.9  I-Vector训练 197

5.9.1  对角UBM 197

5.9.2  I-Vector提取器 198

5.9.3  提取训练数据的I-Vector 199

5.10  神经网络训练 199

5.10.1  Chain模型 200

5.10.2  Chain模型数据准备 202

5.10.3  神经网络配置与训练 203

5.11  解码图生成 209

5.12  本章小结 210

5.13  附录 211

5.13.1  xconfig中的描述符及网络配置表 211

5.13.2  Chain模型中的egs 215

5.13.3  Kaldi nnet3中迭代次数和学习率调整 217

第6章  基于Kaldi的说话人日志 219

6.1  说话人日志概述 220

6.1.1  什么是说话人日志 220

6.1.2  说话人日志技术 220

6.1.3  说话人日志评价指标 227

6.2  声纹模型训练——以CNCeleb为例 229

6.2.1  声纹数据准备 230

6.2.2  I-Vector训练 240

6.2.3  X-Vector训练 243

6.2.4  LDA/PLDA后端模型训练 248

6.2.5  说话人日志后端模型训练 250

6.3  本章小结 253

第7章  基于Kaldi的语音SDK实现 254

7.1  语音特征提取 258

7.1.1  音频读取 258

7.1.2  音频特征提取 261

7.2  基于WebRTC的语音活动检测 268

7.3  说话人日志模块 273

7.3.1  I-Vector提取 275

7.3.2  X-Vector提取 287

7.3.3  说话人日志算法实现 299

7.4  语音识别解码 313

7.5  本章小结 324

第8章  基于gRPC的语音识别服务 325

8.1  gRPC语音服务 326

8.2  ProtoBuf协议定义 327

8.3  基于gRPC的语音服务实现 329

8.3.1  gRPC Server实现 330

8.3.2  gRPC Client实现 337

8.3.3  gRPC语音服务的编译与测试 343

8.4  本章小结 346

参考文献 347

作者简介

杨学锐

大疆创新语音交互算法负责人，复旦大学及Turku大学硕士，长期从事语音算法、深度学习、人工智能等领域的研究与商业落地，在相关领域发表多篇论文及专利。

晏超

北京邮电大学硕士，曾任职于HP Labs, Cisco, Technicolor等公司。现为云从科技语音算法负责人，从事语音识别、声纹识别、说话人日志、语音合成等方向的算法研发工作，构建了云从科技整套语音算法引擎与应用服务平台。

刘雪松

OPPO音频算法专家，复旦大学硕士，曾任职于美国国家仪器、声网、云从科技等公司。在信号处理、音频算法和语音算法等领域有丰富的实战经验，在相关领域发表多篇论文及专利。

1