整合營銷服務商
電腦端+手機端+微信端=數據同步管理
免費咨詢熱線：
電腦端+手機端+微信端=數據同步管理
免費咨詢熱線：
我還是個孩子的時候，幾乎每個超級英雄都有一臺語音控制的計算機。所以你可以想象我第一次遇到Alexa對我來說是一次深刻的經歷。我心里的孩子非常高興和興奮。當然，然后我的工程直覺開始發揮作用，我分析了這些設備是如何工作的。
事實證明，他們有神經網絡來處理這個復雜的問題。事實上，神經網絡大大簡化了這個問題，以至于今天使用Python在計算機上制作這些應用程序之一非常容易。但情況并非總是如此。第一次嘗試是在 1952 年進行的。由三位貝爾實驗室研究人員撰寫。
他們建立了一個具有10個單詞詞匯的單揚聲器數字識別系統。然而，到1980年代，這一數字急劇增長。詞匯量增長到20，000個單詞，第一批商業產品開始出現。Dragon Dictate是首批此類產品之一，最初售價為9，000美元。Alexa今天更實惠，對吧？
但是，今天我們可以在瀏覽器中使用Tensorflo.js執行語音識別。在本文中，我們將介紹：
從歷史上看，圖像分類是普及深度神經網絡的問題，尤其是視覺類型的神經網絡——卷積神經網絡（CNN）。今天，遷移學習用于其他類型的機器學習任務，如NLP和語音識別。我們不會詳細介紹什么是 CNN 以及它們是如何工作的。然而，我們可以說CNN在2012年打破了ImageNet大規模視覺識別挑戰賽（ILSVRC）的記錄后得到了普及。
該競賽評估大規模對象檢測和圖像分類的算法。他們提供的數據集包含 1000 個圖像類別和超過 1 萬張圖像。圖像分類算法的目標是正確預測對象屬于哪個類。自2年以來。本次比賽的每位獲勝者都使用了CNN。
訓練深度神經網絡可能具有計算性和耗時性。要獲得真正好的結果，您需要大量的計算能力，這意味著大量的GPU，這意味著......嗯，很多錢。當然，您可以訓練這些大型架構并在云環境中獲得SOTA結果，但這也非常昂貴。
有一段時間，這些架構對普通開發人員不可用。然而，遷移學習的概念改變了這種情況。特別是，對于這個問題，我們今天正在解決 - 圖像分類。今天，我們可以使用最先進的架構，這些架構在 ImageNet 競賽中獲勝，這要歸功于遷移學習和預訓練模型。
此時，人們可能會想知道“什么是預訓練模型？從本質上講，預訓練模型是以前在大型數據集（例如 ImageNet 數據集）上訓練的保存網絡 。 有兩種方法可以使用它們。您可以將其用作開箱即用的解決方案，也可以將其與遷移學習一起使用。 由于大型數據集通常用于某些全局解決方案，因此您可以自定義預先訓練的模型并將其專門用于某些問題。
通過這種方式，您可以利用一些最著名的神經網絡，而不會在訓練上浪費太多時間和資源。此外，您還可以 通過修改所選圖層的行為來微調這些模型。整個想法圍繞著使用較低層的預訓練CNN模型，并添加額外的層，這些層將為特定問題定制架構。
從本質上講，嚴肅的遷移學習模型通常由兩部分組成。我們稱它們為骨干和頭腦。 主干通常是在 ImageNet 數據集上預先訓練的深度架構，沒有頂層。Head 是圖像分類模型的一部分，用于預測自定義類。
這些層將添加到預訓練模型的頂部。有了這些系統，我們有兩個階段：瓶頸和培訓階段。在瓶頸階段，特定數據集的圖像通過主干架構運行，并存儲結果。在訓練階段，來自主干的存儲輸出用于訓練自定義層。
有幾個領域適合使用預先訓練的模型，語音識別就是其中之一。此模型稱為語音命令識別器。從本質上講，它是一個JavaScript模塊，可以識別由簡單英語單詞組成的口語命令。
默認詞匯“18w”包括以下單詞：從“零”到“九”、“向上”、“向下”、“向左”、“向右”、“開始”、“停止”、“是”、“否”的數字。還提供其他類別的“未知單詞”和“背景噪音”。除了已經提到的“18w”字典之外，還有更小的字典“directional4w”可用。它只包含四個方向詞（“上”、“下”、“左”、“右”）。
當涉及到神經網絡和音頻的組合時，有很多方法。語音通常使用某種遞歸神經網絡或LSTM來處理。但是，語音命令識別器使用稱為卷積神經網絡的簡單體系結構，用于小占用量關鍵字發現。
這種方法基于我們在上一篇文章中研究的圖像識別和卷積神經網絡。乍一看，這可能會令人困惑，因為音頻是一個跨時間的一維連續信號，而不是 2D 空間問題。
此體系結構使用頻譜圖。這是信號頻率頻譜隨時間變化的視覺表示。從本質上講，定義了單詞應該適合的時間窗口。
這是通過將音頻信號樣本分組到段來完成的。完成此操作后，將分析頻率的強度，并定義具有可能單詞的段。然后將這些片段轉換為頻譜圖，例如用于單詞識別的單通道圖像：
然后，使用這種預處理制作的圖像被饋送到多層卷積神經網絡中。
您可能已經注意到，此頁面要求您允許使用麥克風。這是因為我們在此頁面中嵌入了實現演示。為了使此演示正常工作，您必須允許它使用麥克風。
現在，您可以使用命令“向上”，“向下”，“向左”和“右”在下面的畫布上繪制。繼續嘗試一下：
首先，讓我們看一下我們實現的 index.html 文件。在上一篇文章中，我們介紹了幾種安裝TensorFlow.js的方法。其中之一是將其集成到HTML文件的腳本標記中。這也是我們在這里的做法。除此之外，我們需要為預訓練的模型添加一個額外的腳本標記。以下是索引.html的外觀：
<html>
<head>
<script src="https://unpkg.com/@tensorflow/tfjs@0.15.3/dist/tf.js"></script>
<script src="https://unpkg.com/@tensorflow-models/speech-commands@0.3.0/dist/speech-commands.min.js"></script>
</head>
<body>
<section class='title-area'>
<h1>TensorFlow.js Speech Recognition</h1>
<p class='subtitle'>Using pretrained models for speech recognition</p>
</section>
<canvas id="canvas" width="1000" height="800" style="border:1px solid #c3c3c3;"></canvas>
<script src="script.js"></script>
</body>
</html>包含此實現的 JavaScript 代碼位于 script.js 中。此文件應與 index.html 文件位于同一文件夾中。為了運行整個過程，您所要做的就是在瀏覽器中打開索引.html并允許它使用您的麥克風。
現在，讓我們檢查整個實現所在的 script.js 文件。以下是主運行函數的外觀：
async function run() {
recognizer = speechCommands.create('BROWSER_FFT', 'directional4w');
await recognizer.ensureModelLoaded();
var canvas = document.getElementById("canvas");
var contex = canvas.getContext("2d");
contex.lineWidth = 10;
contex.lineJoin = 'round';
var positionx = 400;
var positiony = 500;
predict(contex, positionx, positiony);
}在這里我們可以看到應用程序的工作流程。首先，我們創建模型的實例并將其分配給全局變量識別器。我們使用“directional4w”字典，因為我們只需要“up”，“down”，“left”和“right”命令。
然后我們等待模型加載完成。如果您的互聯網連接速度較慢，這可能需要一些時間。完成后，我們初始化執行繪圖的畫布。最后，調用預測方法。以下是該函數內部發生的情況：
function calculateNewPosition(positionx, positiony, direction)
{
return {
'up' : [positionx, positiony - 10],
'down': [positionx, positiony + 10],
'left' : [positionx - 10, positiony],
'right' : [positionx + 10, positiony],
'default': [positionx, positiony]
}[direction];
}
function predict(contex, positionx, positiony) {
const words = recognizer.wordLabels();
recognizer.listen(({scores}) => {
scores = Array.from(scores).map((s, i) => ({score: s, word: words[i]}));
scores.sort((s1, s2) => s2.score - s1.score);
var direction = scores[0].word;
var [x1, y1] = calculateNewPosition(positionx, positiony, direction);
contex.moveTo(positionx,positiony);
contex.lineTo(x1, y1);
contex.closePath();
contex.stroke();
positionx = x1;
positiony = y1;
}, {probabilityThreshold: 0.75});
}這種方法正在做繁重的工作。從本質上講，它運行一個無限循環，其中識別器正在傾聽您正在說的話。請注意，我們正在使用參數 probabilityThreshold。
此參數定義是否應調用回調函數。實質上，僅當最大概率分數大于此閾值時，才會調用回調函數。當我們得到這個詞時，我們就得到了我們應該畫的方向。
然后我們使用函數 calculateNewPosition 計算線尾的坐標。該步長為 10 像素，這意味著行的長度將為 10 像素。您可以同時使用概率閾值和此長度值。獲得新坐標后，我們使用畫布繪制線條。就是這樣。很簡單，對吧？
在本文中，我們看到了如何輕松使用預先訓練的 TensorFlow.js 模型。它們是一些簡單應用程序的良好起點。我們甚至構建了一個此類應用程序的示例，您可以使用它使用語音命令進行繪制。這很酷，可能性是無窮無盡的。當然，您可以進一步訓練這些模型，獲得更好的結果，并將它們用于更復雜的解決方案。這意味著，您可以真正利用遷移學習。然而，這是另一個時代的故事。
原文標題：Speech Recognition with TensorFlow.js – Voice Commands
原文鏈接：https://rubikscode.net/2022/05/11/drawing-with-voice-speech-recognition-with-tensorflow-js/
作者：Nikola M. Zivkovic
編譯：LCR
文共6655字，預計學習時長13分鐘
本文闡述了如何利用Tensorflow編寫一個基本的端到端自動語音識別（Automatic Speech Recognition，ASR）系統，詳細介紹了最小神經網絡的各個組成部分以及可將音頻轉為可讀文本的前綴束搜索解碼器。
雖然當下關于如何搭建基礎機器學習系統的文獻或資料有很多，但是大部分都是圍繞計算機視覺和自然語言處理展開的，極少有文章就語音識別展開介紹。本文旨在填補這一空缺，幫助初學者降低入門難度，提高學習自信。
前提
初學者需要熟練掌握：
· 神經網絡的組成
· 如何訓練神經網絡
· 如何利用語言模型求得詞序的概率
概述
· 音頻預處理：將原始音頻轉換為可用作神經網絡輸入的數據
· 神經網絡：搭建一個簡單的神經網絡，用于將音頻特征轉換為文本中可能出現的字符的概率分布
· CTC損失：計算不使用相應字符標注音頻時間步長的損失
· 解碼：利用前綴束搜索和語言模型，根據各個時間步長的概率分布生成文本
本文重點講解了神經網絡、CTC損失和解碼。
音頻預處理
搭建語音識別系統，首先需要將音頻轉換為特征矩陣，并輸入到神經網絡中。完成這一步的簡單方法就是創建頻譜圖。
def create_spectrogram(signals): stfts = tf.signal.stft(signals, fft_length=256) spectrograms = tf.math.pow(tf.abs(stfts), 0.5) return spectrograms
這一方法會計算出音頻信號的短時傅里葉變換（Short-time Fourier Transform）以及功率譜，其最終輸出可直接用作神經網絡輸入的頻譜圖矩陣。其他方法包括濾波器組和MFCC（Mel頻率倒譜系數）等。
了解更多音頻預處理知識：https://haythamfayek.com/2016/04/21/speech-processing-for-machine-learning.html
神經網絡
下圖展現了一個簡單的神經網絡結構。
語音識別基本結構
頻譜圖輸入可以看作是每個時間步長的向量。1D卷積層從各個向量中提取出特征，形成特征向量序列，并輸入LSTM層進一步處理。LSTM層（或雙LSTM層）的輸入則傳遞至全連接層。利用softmax激活函數，可得出每個時間步長的字符概率分布。整個網絡將會用CTC損失函數進行訓練（CTC即Connectionist Temporal Classification，是一種時序分類算法）。熟悉整個建模流程后可嘗試使用更復雜的模型。
class ASR(tf.keras.Model): def __init__(self, filters, kernel_size, conv_stride, conv_border, n_lstm_units, n_dense_units): super(ASR, self).__init__() self.conv_layer = tf.keras.layers.Conv1D(filters, kernel_size, strides=conv_stride, padding=conv_border, activation='relu') self.lstm_layer = tf.keras.layers.LSTM(n_lstm_units, return_sequences=True, activation='tanh') self.lstm_layer_back = tf.keras.layers.LSTM(n_lstm_units, return_sequences=True, go_backwards=True, activation='tanh') self.blstm_layer = tf.keras.layers.Bidirectional(self.lstm_layer, backward_layer=self.lstm_layer_back) self.dense_layer = tf.keras.layers.Dense(n_dense_units) def call(self, x): x = self.conv_layer(x) x = self.blstm_layer(x) x = self.dense_layer(x) return x
為什么使用CTC呢？搭建神經網絡旨在預測每個時間步長的字符。然而現有的標簽并不是各個時間步長的字符，僅僅是音頻的轉換文本。而文本的各個字符可能橫跨多個步長。如果對音頻的各個時間步長進行標記，C-A-T就會變成C-C-C-A-A-T-T。而每隔一段時間，如10毫秒，對音頻數據集進行標注，并不是一個切實可行的方法。CTC則解決上了上述問題。CTC并不需要標記每個時間步長。它忽略了文本中每個字符的位置和實際相位差，把神經網絡的整個概率矩陣輸入和相應的文本作為輸入。
CTC 損失計算
輸出矩陣示例
假設真實的數據標簽為CAT，在四個時間步長中，有序列C-C-A-T，C-A-A-T，C-A-T-T，_-C-A-T，C-A-T-_與真實數據相對應。將這些序列的概率相加，可得到真實數據的概率。根據輸出的概率矩陣，將序列的各個字符的概率相乘，可得到單個序列的概率。則上述序列的總概率為0.0288+0.0144+0.0036+0.0576+0.0012=0.1056。CTC損失則為該概率的負對數。Tensorflow自帶損失函數文件。
解碼
由上文的神經網絡，可輸出一個CTC矩陣。這一矩陣給出了各個時間步長中每個字符在其字符集中的概率。利用前綴束搜索，可從CTC矩陣中得出所需的文本。
除了字母和空格符，CTC矩陣的字符集還包括兩種特別的標記（token，也稱為令牌）——空白標記和字符串結束標記。
空白標記的作用：CTC矩陣中的時間步長通常比較小，如10毫秒。因此，句子中的一個字符會橫跨多個時間步長。如，C-A-T會變成C-C-C-A-A-T-T。所以，需要將CTC矩陣中出現該問題的字符串中的重復部分折疊，消除重復。那么像FUNNY這種本來就有兩個重復字符（N）的詞要怎么辦呢？在這種情況下，就可以使用空白標記，將其插入兩個N中間，就可以防止N被折疊。而這么做實際上并沒有在文本中添加任何東西，也就不會影響其內容或形式。因此，F-F-U-N-[空白]-N-N-Y最終會變成FUNNY。
結束標記的作用：字符串的結束表示著一句話的結束。對字符串結束標記后的時間步長進行解碼不會給候選字符串增加任何內容。
步驟
初始化
· 準備一個初始列表。列表包括多個候選字符串，一個空白字符串，以及各個字符串在不同時間步長以空白標記結束的概率，和以非空白標記結束的概率。在時刻0，空白字符串以空白標記結束的概率為1，以非空白標記結束的概率則為0。
迭代
· 選擇一個候選字符串，將字符一個一個添加進去。計算拓展后的字符串在時刻1以空白標記和非空白標記結束的概率。將拓展字符串及其概率記錄到列表中。將拓展字符串作為新的候選字符串，在下一時刻重復上述步驟。
· 情況A：如果添加的字符是空白標記，則保持候選字符串不變。
· 情況B：如果添加的字符是空格符，則根據語言模型將概率與和候選字符串的概率成比例的數字相乘。這一步可以防止錯誤拼寫變成最佳候選字符串。如，避免COOL被拼成KUL輸出。
· 情況C：如果添加的字符和候選字符串的最后一個字符相同，（以候選字符串FUN和字符N為例），則生成兩個新的候選字符串，FUNN和FUN。生成FUN的概率取決于FUN以空白標記結束的概率。生成FUNN的概率則取決于FUN以非空白標記結束的概率。因此，如果FUN以非空白標記結束，則去除額外的字符N。
輸出
經過所有時間步長迭代得出的最佳候選字符串就是輸出。
為了加快這一過程，可作出如下兩個修改。
1.在每一個時間步長，去除其他字符串，僅留下最佳的K個候選字符串。具體操作為：根據字符串以空白和非空白標記結束的概率之和，對候選字符串進行分類。
2.去除矩陣中概率之和低于某個閾值（如0.001）的字符。
具體操作細節可參考如下代碼。
def prefix_beam_search(ctc, alphabet, blank_token, end_token, space_token, lm, k=25, alpha=0.30, beta=5, prune=0.001): ''' function to perform prefix beam search on output ctc matrix and return the best string :param ctc: output matrix :param alphabet: list of strings in the order their probabilties are present in ctc output :param blank_token: string representing blank token :param end_token: string representing end token :param space_token: string representing space token :param lm: function to calculate language model probability of given string :param k: threshold for selecting the k best prefixes at each timestep :param alpha: language model weight (b/w 0 and 1) :param beta: language model compensation (should be proportional to alpha) :param prune: threshold on the output matrix probability of a character. If the probability of a character is less than this threshold, we do not extend the prefix with it :return: best string ''' zero_pad = np.zeros((ctc.shape[0]+1,ctc.shape[1])) zero_pad[1:,:] = ctc ctc = zero_pad total_timesteps = ctc.shape[0] # #### Initialization #### null_token = '' Pb, Pnb = Cache(), Cache() Pb.add(0,null_token,1) Pnb.add(0,null_token,0) prefix_list = [null_token] # #### Iterations #### for timestep in range(1, total_timesteps): pruned_alphabet = [alphabet[i] for i in np.where(ctc[timestep] > prune)[0]] for prefix in prefix_list: if len(prefix) > 0 and prefix[-1] == end_token: Pb.add(timestep,prefix,Pb.get(timestep - 1,prefix)) Pnb.add(timestep,prefix,Pnb.get(timestep - 1,prefix)) continue for character in pruned_alphabet: character_index = alphabet.index(character) # #### Iterations : Case A #### if character == blank_token: value = Pb.get(timestep,prefix) + ctc[timestep][character_index] * (Pb.get(timestep - 1,prefix) + Pnb.get(timestep - 1,prefix)) Pb.add(timestep,prefix,value) else: prefix_extended = prefix + character # #### Iterations : Case C #### if len(prefix) > 0 and character == prefix[-1]: value = Pnb.get(timestep,prefix_extended) + ctc[timestep][character_index] * Pb.get(timestep-1,prefix) Pnb.add(timestep,prefix_extended,value) value = Pnb.get(timestep,prefix) + ctc[timestep][character_index] * Pnb.get(timestep-1,prefix) Pnb.add(timestep,prefix,value) # #### Iterations : Case B #### elif len(prefix.replace(space_token, '')) > 0 and character in (space_token, end_token): lm_prob = lm(prefix_extended.strip(space_token + end_token)) ** alpha value = Pnb.get(timestep,prefix_extended) + lm_prob * ctc[timestep][character_index] * (Pb.get(timestep-1,prefix) + Pnb.get(timestep-1,prefix)) Pnb.add(timestep,prefix_extended,value) else: value = Pnb.get(timestep,prefix_extended) + ctc[timestep][character_index] * (Pb.get(timestep-1,prefix) + Pnb.get(timestep-1,prefix)) Pnb.add(timestep,prefix_extended,value) if prefix_extended not in prefix_list: value = Pb.get(timestep,prefix_extended) + ctc[timestep][-1] * (Pb.get(timestep-1,prefix_extended) + Pnb.get(timestep-1,prefix_extended)) Pb.add(timestep,prefix_extended,value) value = Pnb.get(timestep,prefix_extended) + ctc[timestep][character_index] * Pnb.get(timestep-1,prefix_extended) Pnb.add(timestep,prefix_extended,value) prefix_list = get_k_most_probable_prefixes(Pb,Pnb,timestep,k,beta) # #### Output #### return prefix_list[0].strip(end_token)
這樣，一個基礎的語音識別系統就完成了。對上述步驟進行復雜化，可以得到更優的結果，如，搭建更大的神經網絡和利用音頻預處理技巧。
完整代碼：https://github.com/apoorvnandan/speech-recognition-primer
注意事項：
1. 文中代碼使用的是TensorFlow2.0系統，舉例使用的音頻文件選自LibriSpeech數據庫（http://www.openslr.org/12）。
2. 文中代碼并不包括訓練音頻數據集的批量處理生成器。讀者需要自己編寫。
3. 讀者亦需自己編寫解碼部分的語言模型函數。最簡單的方法就是基于語料庫生成一部二元語法字典并計算字符概率。
留言 點贊 關注
我們一起分享AI學習與發展的干貨
如需轉載，請后臺留言，遵守轉載規范
者：xmanlin
轉發鏈接：https://segmentfault.com/a/1190000022268377
*請認真填寫需求信息，我們會在24小時內與您取得聯系。
