如何为语音识别准备数据集

Question

我需要训练一个双向 LSTM 模型来识别离散语音（从 0 到 9 的单个数字）我已经录制了 100 个演讲者的语音。接下来我该怎么办？ （假设我将它们分成单独的 .wav 文件，每个文件包含一个数字）我将使用 mfcc 作为网络的功能。

此外，如果我要使用支持 CTC（Connectionist Temporal Classification）的库，我想知道数据集的差异

Answer 1

您可以使用answer/guidance提供的

根据您用来创建 LSTM（pybrain、theano、keras）的库，您可以查看它们的文档。

我建议为此使用 Theano(Binary LSTM link) or Keras(Tutorial)，因为它们相当容易理解并且有据可查。

希望这对您有所帮助。