语音识别 - 如何将句子拆分成单词？
Speech Recognition - how to split a sentence into words?
我是语音识别的新手，我正在寻找一种方法来将 audio/wav 文件形式的一个句子（或多个句子）拆分成单个单词？这听起来像是一个标准问题，所以我想知道业内人士是如何处理它的。
ps：是的，这个问题是三年前提出的，但我正在寻找使用较新库（即 pytorch 和 tensorflow 2.0）的最新答案。谢谢！
这可不简单。
你想要的叫做对齐。 IE。其中每个音频帧都与一个词（或子词、字符或更好的单个音素）对齐。
最合理的方法需要标准的常规语音识别系统。最简单的方法是使用 HMM 系统，由老式 GMM 或 NN（称为混合 HMM-NN 模型）支持。这也需要一个词典（音素到单词的映射）。通常你会使用所有这些的现有实现，例如Kaldi or RASR，因为这实现起来并不那么简单。我还没有看到它的纯 TF 实现。然后，该软件通过 HMM 计算最佳可能对齐路径（即根据训练模型，具有最高概率的对齐路径）。如果你知道ground truth的话，这就是维特比算法，来计算这条最佳路径。否则你会做一些解码（使用波束搜索）。
你也可以做什么，但这会更麻烦，也不太好（对于获得对齐的任务）：使用一些端到端模型，例如带有注意力的编码器-解码器，或 CTC。对于有注意力的编码器-解码器，你可以使用注意力权重来很好地猜测单词在哪里（然后你也许可以猜测边界在哪里）。 CTC 类似。但这并不准确。但这是您可以在纯 TF 中轻松实现的东西。
无论如何，实现本身并不是那么难的部分（尽管仍然不简单）。您首先需要了解其背后的所有理论。也许 Whosebug 不是问这个问题的合适地方。通读 Kaldi 或 RASR 文档，或观看一些有关语音识别的讲座，或阅读有关该主题的书。
我是语音识别的新手，我正在寻找一种方法来将 audio/wav 文件形式的一个句子（或多个句子）拆分成单个单词？这听起来像是一个标准问题，所以我想知道业内人士是如何处理它的。
ps：是的，这个问题是三年前提出的，但我正在寻找使用较新库（即 pytorch 和 tensorflow 2.0）的最新答案。谢谢！
这可不简单。
你想要的叫做对齐。 IE。其中每个音频帧都与一个词（或子词、字符或更好的单个音素）对齐。
最合理的方法需要标准的常规语音识别系统。最简单的方法是使用 HMM 系统，由老式 GMM 或 NN（称为混合 HMM-NN 模型）支持。这也需要一个词典（音素到单词的映射）。通常你会使用所有这些的现有实现，例如Kaldi or RASR，因为这实现起来并不那么简单。我还没有看到它的纯 TF 实现。然后，该软件通过 HMM 计算最佳可能对齐路径（即根据训练模型，具有最高概率的对齐路径）。如果你知道ground truth的话，这就是维特比算法，来计算这条最佳路径。否则你会做一些解码（使用波束搜索）。
你也可以做什么，但这会更麻烦，也不太好（对于获得对齐的任务）：使用一些端到端模型，例如带有注意力的编码器-解码器，或 CTC。对于有注意力的编码器-解码器，你可以使用注意力权重来很好地猜测单词在哪里（然后你也许可以猜测边界在哪里）。 CTC 类似。但这并不准确。但这是您可以在纯 TF 中轻松实现的东西。
无论如何，实现本身并不是那么难的部分（尽管仍然不简单）。您首先需要了解其背后的所有理论。也许 Whosebug 不是问这个问题的合适地方。通读 Kaldi 或 RASR 文档，或观看一些有关语音识别的讲座，或阅读有关该主题的书。