《Kaldi语音识别实战》内容简介

刚刚过去的十年是语音技术发展的黄金十年。2010年前后，从谷歌公司发布第一个语音搜索应用、苹果公司发布第一个语音助手Siri开始，语音技术的发展转瞬进入了快车道。
语音技术的基础算法不断推陈出新，语音任务Benchmark持续被刷新；语音产品的应用也从一开始很小众的语音输入，逐渐渗透到人们生活的方方面面。
语音产业飞速发展，传统的语音技术教材已经满足不了该领域从业者的迫切需求。本书以目前流行的开源语音识别工具Kaldi为切入点，深入浅出地讲解了语音识别前沿的技术及它们的实践应用。本书的作者们拥有深厚的学术积累及丰富的工业界实战经验。
本书适合语音技术相关研究人员及互联网从业人员学习参考。
陈果果 清华大学本科学位，约翰霍普金斯大学博士学位，主要研究方向是语音识别及关键词检索，师从语音识别开源工具Kaldi主要开发者Daniel Povey，以及约翰霍普金斯大学语言语音处理中心教授Sanjeev Khudanpur。博士期间为Google开发了Google的唤醒词Okay Google的原型，现在已经用到数以亿计的安卓设备及Google智能语音交互设备上。博士期间同时参与开发语音识别开源工具Kaldi，以及神经网络开源工具CNTK。博士毕业以后联合创办KITT.AI，专注于语音识别及自然语言处理，公司于2017年被百度收购，目前担任百度智能生活事业群组（SLG）主任架构师。
都家宇 本科毕业于大连理工大学，后于澳大利亚新南威尔士大学电子信息工程学院学习，取得信号处理专业硕士学位。研究生期间在导师Julien Epps指导下开始进行语音处理、情绪识别方向的研究。毕业后先后任职于清华大学语音技术实验室、百度语音技术部，以及阿里巴巴iDST、达摩院语音组，从事声学模型、解码器、语音唤醒等方面的研发工作。参与过与Kaldi相关的工作有：Kaldi nnet1神经网络框架中lstm作者；发起并推动全球大规模的中文开源数据集语音项目AISHELL-1、AISHELL-2，已服务于清华大学、北京大学、南洋理工大学、哥伦比亚大学等近200所国内外高校的科研项目。
那兴宇 本科和博士均毕业于北京理工大学，主要研究方向是语音识别和语音合成。先后任职于中国科学院声学研究所和阿里巴巴机器人，从事语音识别模型训练系统和语音交互系统的开发。目前就职于微软，担任资深应用科学家，从事语音识别算法和技术架构的开发及业务支持工作。2015年开始在Kaldi开源项目中贡献代码，参与了nnet3和chain模型的开发工作，并维护其中若干示例及OpenSLR的中文语音识别模型。
张俊博 博士毕业于中国科学院声学研究所，师从颜永红研究员。在小米公司从零起主导构建了整套语音算法研究框架，包括语音识别、智能设备语音唤醒、声纹识别、语音增强、用于语音应用的神经网络部署，均达到了当时的先进水平，并发表顶会论文若干篇，为后续的语音研发工作建立了基础。近期上线了用于外语学习的发音质量评测引擎，并给Kaldi贡献了发音良好度评分的代码。

作品目录

内容简介
序1、序2、好评来袭
作者简介
前言
1、语音识别技术基础
1.1、语音识别极简史
1.2、语音识别系统架构
1.3、一些其他细节
2、Kaldi概要介绍
2.1、发展历史
2.2、设计思想
2.3、安装
2.4、一个简单的示例
2.5、示例介绍
3、数据整理
3.1、数据分集
3.2、数据预处理
3.3、输入和输出机制
3.4、常用数据表单与处理脚本
3.5、语言模型相关文件
4、经典声学建模技术
4.1、特征提取
4.2、单音子模型的训练
4.3、三音子模型训练
4.4、特征变换技术
4.5、区分性训练
5、构图和解码
5.1、N元文法语言模型
5.2、加权有限状态转录机
5.3、用WFST表示语言模型
5.4、状态图的构建
5.5、图的结构优化
5.6、最终状态图的生成
5.7、基于令牌传递的维特比搜索
5.8、SimpleDecoder源码分析
5.9、Kaldi
解码器家族
5.10、带词网格生成的解码
5.11、用语言模型重打分提升识别率
6、深度学习声学建模技术
6.1、基于神经网络的声学模型
6.2、神经网络在Kaldi中的实现
6.3、神经网络模型训练
6.4、神经网络的区分性训练
6.5、与其他深度学习框架的结合
7、关键词搜索与语音唤醒
7.1、关键词搜索技术介绍
7.2、语音检索
7.3、语音唤醒
8、说话人识别
8.1、概述
8.2、基于i-vector和PLDA的说话人识别技术
8.3、基于深度学习的说话人识别技术
8.4、语种识别
9、语音识别应用实践
9.1、语音识别基本应用
9.2、话音检测模块
9.3、模型的适应
9.4、解码器的选择及扩展
附录A
术语列表
附录B
常见问题解答
参考文献