Speech_Recognition_Test
中文语音识别
1、项目运行环境
Windows7x64
Pycharm .2.4
Python 3.6.2
独立显卡 GTX1050Ti
2、项目运行所需的库文件
Numpy(用于矩阵运算)
tensorflow-gpu(GPU版本有助于加快训练速度)
scipy.io.wavfile(用于读取音频文件)
python_speech_features(用于获取音频的梅尔倒普系数)
3、项目训练所需数据
下载地址：/18/
下载文件：data_thchs30.tgz
4、项目构建思路
1)将样本数据读入内存(包括音频数据和标签数据)
2)建立批次获取样本的函数
3)将语音数据转换成梅尔倒频谱系数(MFCC数据)(将时域数据转换成频域数据)
4)将MFCC转换成训练格式数据时间列和频率特征系数行的矩阵
5)文本转换成向量
6)用于读取文件操作
7)对齐该批次的音频数据
8)将文本数据转换成稀疏矩阵(也就是密集矩阵转换成稀疏矩阵)
9)字向量转换成文字
10)构建网络结构进行模型训练：BiRNN_model
11)调用cpu函数
12)读取待测试数据(包括音频数据和标签数据)
13)将数据代入已训练好的模型中
14)打印识别信息对比识别效果
5、项目运行方法
配置conf目录下的conf.ini中的各项，主要是配置训练和测试所需的数据文件的路径，训练模型和log文件保存路径
打开Pycharm新创建一个项目，将项目所需Python文件添加进去
运行train.py文件对模型进行训练
运行test.py文件对训练好的模型进行测试验证
6、注意事项
以上网址下载的训练数据并不完整，只有音频文件，没有标签数据，为了方便进行训练和检测识别效果，本人已从其他地方找到了对应的标签数据(doc.rar)
由于数据文件量较大，训练时间会很长，以本人的家用电脑配置(AMD FX-Series FX-8300 八核 12GB内存 GTX1050Ti显卡)全部训练下来大概用了五天的时间，如果想尽快看到训练效果，可缩减训练数据量，但训练出的模型泛化能力会较差，如想达到实际应用的效果请选择服务器级别的机器或分布式系统
