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 个说话者的语音。接下来我该怎么办？ （假设我将它们拆分为单独的 .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。

另外，如果我要使用支持 CTC（Connectionist Temporal Classification）的库，我想知道数据集的区别

Answer 1

您可以使用here提供的答案/指导

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

我建议使用 Theano(Binary LSTM link) 或 Keras(Tutorial)，因为它们很容易理解并且有据可查。

希望这会有所帮助。