谷歌開放語音命令數據集，助力利用深度學習解決音頻識別問題

選自Google Research

機器之心編譯

參與：路雪

近日，谷歌開放語音命令數據集，發布新的音頻識別教程，旨在幫助初學者利用深度學習解決語音識別和其他音頻識別問題。

• 語音命令數據集地址：http://download.tensorflow.org/data/speech_commands_v0.01.tar.gz

• 音頻識別教程地址：https://www.tensorflow.org/versions/master/tutorials/audio_recognition

在谷歌，我們經常被問到如何使用深度學習解決語音識別和其他音頻識別問題，比如檢測關鍵詞或命令。儘管已經有很多大型開源語音識別系統，如 Kaldi，這些系統可以把神經網路作為一個模塊使用，但是它們的複雜性導致其很難用於指導簡單的任務。更重要的是，並沒有多少適合初學者的免費、開源數據集（部分數據集需要在構建神經模型之前進行預處理）或適合簡單的關鍵詞檢測任務的數據集。

為了解決這些問題，TensorFlow 和 AIY 團隊創建了語音命令數據集，並用它向 TensorFlow 中添加訓練和推斷的示例代碼。該數據集有 30 個短單詞的 65000 個長度 1 秒鐘的發音，這些音頻由數千人通過 AIY 網站提供。它隨 Creative Commons BY 4.0 license 發布，並將隨著音頻的增多持續發布新版本。該數據集旨在幫助構建基礎但有用的應用程序語音介面，包括常用單詞「是」（Yes）、「否」（No）、數字和方向詞。我們還開源了用於創建該數據集的基礎架構，希望更多人使用它創建自己的數據集，尤其是能夠覆蓋到服務水平不足的語言和應用。

想自己試試，那麼下載 TensorFlow 安卓演示應用程序的預置數據集（http://ci.tensorflow.org/view/Nightly/job/nightly-android/lastSuccessfulBuild/artifact/out/tensorflow_demo.apk）並打開「TF Speech」。你可以申請耳機的訪問許可權，然後就會看到一個十個單詞的列表，你說哪個單詞，它就會點亮。

識別結果取決於你的語音模式是否被數據集覆蓋，因此這並不完美，商業語音識別系統比這個教學示例複雜的多。但是我們希望，隨著更多口音和變體加入數據集，社區向 TensorFlow 貢獻改進後的模型，我們能夠看到數據集的不斷改進和擴展。

你還可以通過 TensorFlow.org 上新的音頻識別教程學習如何訓練自己的模型。有了該框架的最新開發版本（https://hub.docker.com/r/tensorflow/tensorflow/）和現代的桌面電腦，你可以下載該數據集並在幾小時內訓練模型。你還擁有多種選擇來為不同的問題定製神經網路，產生不同的延遲時間、規模、精度的平衡以適應不同的平台。

我們很期待看到大家在該數據集和教程的幫助下構建的新應用，因此我希望大家有機會利用這些資源，開始做音頻識別任務！

• Interspeech 2015 會議上展示的《Convolutional Neural Networks for Small-footprint Keyword Spotting》（http://www.isca-speech.org/archive/interspeech_2015/papers/i15_1478.pdf）中對該網路的架構進行了描述。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！