Kaldi 語(yǔ)音識(shí)別實(shí)戰(zhàn)

　　剛剛過(guò)去的十年是語(yǔ)音技術(shù)發(fā)展的黃金十年。2010 年前后，從谷歌公司發(fā)布第一個(gè)語(yǔ)音搜索應(yīng)用、蘋果公司發(fā)布第一個(gè)語(yǔ)音助手 Siri 開(kāi)始，語(yǔ)音技術(shù)的發(fā)展轉(zhuǎn)瞬進(jìn)入了快車道。 語(yǔ)音技術(shù)的基礎(chǔ)算法不斷推陳出新，語(yǔ)音任務(wù) Benchmark 持續(xù)被刷新；語(yǔ)音產(chǎn)品的應(yīng)用也從一開(kāi)始很小眾的語(yǔ)音輸入，逐漸滲透到人們生活的方方面面。 語(yǔ)音產(chǎn)業(yè)飛速發(fā)展，傳統(tǒng)的語(yǔ)音技術(shù)教材已經(jīng)滿足不了該領(lǐng)域從業(yè)者的迫切需求。本書以目前流行的開(kāi)源語(yǔ)音識(shí)別工具 Kaldi 為切入點(diǎn)，深入淺出地講解了語(yǔ)音識(shí)別前沿的技術(shù)及它們的實(shí)踐應(yīng)用。本書的作者們擁有深厚的學(xué)術(shù)積累及豐富的工業(yè)界實(shí)戰(zhàn)經(jīng)驗(yàn)。 本書適合語(yǔ)音技術(shù)相關(guān)研究人員及互聯(lián)網(wǎng)從業(yè)人員學(xué)習(xí)參考。

　　陳果果 清華大學(xué)本科學(xué)位，約翰霍普金斯大學(xué)博士學(xué)位，主要研究方向是語(yǔ)音識(shí)別及關(guān)鍵詞檢索，師從語(yǔ)音識(shí)別開(kāi)源工具Kaldi主要開(kāi)發(fā)者Daniel Povey，以及約翰霍普金斯大學(xué)語(yǔ)言語(yǔ)音處理中心教授Sanjeev Khudanpur。博士期間為Google開(kāi)發(fā)了Google的喚醒詞Okay Google的原型，現(xiàn)在已經(jīng)用到數(shù)以億計(jì)的安卓設(shè)備及Google智能語(yǔ)音交互設(shè)備上。博士期間同時(shí)參與開(kāi)發(fā)語(yǔ)音識(shí)別開(kāi)源工具Kaldi，以及神經(jīng)網(wǎng)絡(luò)開(kāi)源工具CNTK。博士畢業(yè)以后聯(lián)合創(chuàng)辦KITT.AI，專注于語(yǔ)音識(shí)別及自然語(yǔ)言處理，公司于2017年被百度收購(gòu)，目前擔(dān)任百度智能生活事業(yè)群組（SLG）主任架構(gòu)師。 都家宇 本科畢業(yè)于大連理工大學(xué)，后于澳大利亞新南威爾士大學(xué)電子信息工程學(xué)院學(xué)習(xí)，取得信號(hào)處理專業(yè)碩士學(xué)位。研究生期間在導(dǎo)師 Julien Epps 指導(dǎo)下開(kāi)始進(jìn)行語(yǔ)音處理、情緒識(shí)別方向的研究。畢業(yè)后先后任職于清華大學(xué)語(yǔ)音技術(shù)實(shí)驗(yàn)室、百度語(yǔ)音技術(shù)部，以及阿里巴巴iDST、達(dá)摩院語(yǔ)音組，從事聲學(xué)模型、解碼器、語(yǔ)音喚醒等方面的研發(fā)工作。參與過(guò)與 Kaldi 相關(guān)的工作有：Kaldi nnet1神經(jīng)網(wǎng)絡(luò)框架中 lstm 作者；發(fā)起并推動(dòng)全球大規(guī)模的中文開(kāi)源數(shù)據(jù)集語(yǔ)音項(xiàng)目AISHELL-1、AISHELL-2，已服務(wù)于清華大學(xué)、北京大學(xué)、南洋理工大學(xué)、哥倫比亞大學(xué)等近200所國(guó)內(nèi)外高校的科研項(xiàng)目。 那興宇 本科和博士均畢業(yè)于北京理工大學(xué)，主要研究方向是語(yǔ)音識(shí)別和語(yǔ)音合成。先后任職于中國(guó)科學(xué)院聲學(xué)研究所和阿里巴巴機(jī)器人，從事語(yǔ)音識(shí)別模型訓(xùn)練系統(tǒng)和語(yǔ)音交互系統(tǒng)的開(kāi)發(fā)。目前就職于微軟，擔(dān)任資深應(yīng)用科學(xué)家，從事語(yǔ)音識(shí)別算法和技術(shù)架構(gòu)的開(kāi)發(fā)及業(yè)務(wù)支持工作。2015年開(kāi)始在Kaldi開(kāi)源項(xiàng)目中貢獻(xiàn)代碼，參與了nnet3和chain模型的開(kāi)發(fā)工作，并維護(hù)其中若干示例及OpenSLR的中文語(yǔ)音識(shí)別模型。 張俊博 博士畢業(yè)于中國(guó)科學(xué)院聲學(xué)研究所，師從顏永紅研究員。在小米公司從零起主導(dǎo)構(gòu)建了整套語(yǔ)音算法研究框架，包括語(yǔ)音識(shí)別、智能設(shè)備語(yǔ)音喚醒、聲紋識(shí)別、語(yǔ)音增強(qiáng)、用于語(yǔ)音應(yīng)用的神經(jīng)網(wǎng)絡(luò)部署，均達(dá)到了當(dāng)時(shí)的先進(jìn)水平，并發(fā)表頂會(huì)論文若干篇，為后續(xù)的語(yǔ)音研發(fā)工作建立了基礎(chǔ)。近期上線了用于外語(yǔ)學(xué)習(xí)的發(fā)音質(zhì)量評(píng)測(cè)引擎，并給Kaldi貢獻(xiàn)了發(fā)音良好度評(píng)分的代碼。