对各位语音识别新手的建议
由于工作的原因，很长时间不能更新博客和管理kaldi群，每天看着kaldi群的人数不断增长，由衷的为从事语音感到自豪，希望在我博客和群里能得到你们想要的，但我同时拒绝伸手党。这几年语音的发展很迅速，所以导致更多的人来学习：
下面主要从2个方面来说明，一个是从学生角度，一个是从工业角度。希望以后问怎么学习和怎么研究的人会越来越少，当然我这里也只是抛砖引玉。
学生角度
如果你是本科生，你或许付出的努力会更多。如果你是研究生，最好是数学和英语好，要不然你同样付出很多努力。
1、基础部分
默认你是研究生，你学过基本的矩阵理论和随机过程，一些简单的模式识别原理，这样你或者利于理解识别的原理。默认你能够阅读一般的英文文献，不要害怕专有名词，等你见多了，自然能看懂。也行英文六级过了，一般的文章能看得懂，只要语句知道怎么翻译。这就是数学和英文基础，希望你具备。
此外，默认你具有一些计算机基础，比如c语言和c++，和其他的一些脚本语言如python，shell，perl等基础。如果你不会的话，不要怕，去网上听公开课，也许你听的够多，也就会了。此外，你一定要会linux的基本命令，仅仅是基本命令，慢慢的你也会其他高阶的命令，这个只要你慢慢用。
如果你不具备这些，可以早点学；如果你具备，那你已经达到基础的一步。如果你觉得特别难，赶紧放弃吧。其他的路也是一条很好的路，其实学语音识别需要的东西太多，所以你要有足够的思想准备。如果你的老师或者其他人只丢给你一个课题，如果你根本不感冒，那就劝你直接放弃吧。也许你学习其他的东西，也可以活得很好。再次强调，这也许是一条不归路，或者说很长很长的路，远比你之前遇到的都难。
2.进阶
哦，忘记一个非常重要的东西，就是数据结构和算法。如果你没有学过，赶紧学，这个东西非常非常重要。
这也许是第一个进阶的 东西，这个东西很奇妙，如果你有兴趣，你可以做的很好。
接下来你需要看一些语音的基础知识，知道语音的一些基本处理或者信号的一些基本处理。如果你根本不懂傅里叶变换或者你根本不知道为什么那样，或许你需要思考。这个是大学的信号与系统，数字信号处理，通信原理等等的一些基础知识。
然后，你可以看下语音识别的一些基本知识，当然这个中文的课本也没一个说的好的。你可以先看看机器学习，比如逻辑斯特回归，支持向量机，高斯混合模型，隐马尔科夫模型。当然还有信号检测和估计的一些理论，多维高斯模型和最大似然估计等等。结合你的中文课本和htk中文版前三章，试试看，能不能更好的理解。当然你可以看kaldi主页的内容，看看一些简单的东西，比如课外的一些语音课程，这个只有ppt和一些材料，很少有视频，如果你们学校有老师讲那就更好。比如上海交通大学的俞凯老师。
这里，默认你已经知道一些基本的原理了，也许你不够具体，不要怕，继续走，也许某一个瞬间就明白了。多思考多想想，这个是最好的建议。
3.高阶
你可以去看看kaldi的脚本和代码或者htk的脚本和代码或者其他平台，再根据你的理论试试结合，如果你不懂，多问问，也许你慢慢就积累了，慢慢就会了。如果有人带你，那就更好了。慢慢的你就成为高手了。
这时候你理解了GMM-HMM那套后，就去看DNN那一套吧，甚至更高深的东西。
如果你是学生，发现上面跟你的差别特别大，如果你没兴趣的话，最好放弃，别为难自己。要学的的确很多，但为了你未来的路好走，或许你必须这样辛苦。
工业角度
如果你只是想使用语音识别，你最好去调别人家的SDK。如果你的确需要去做，你可以看看上面的那么多条，你具备吗？
其次，你真的很想很想做，第一个问题来，语料有吗?买，的确很贵，不买，做不出来。然后，你有人吗？没有几个懂得人慢慢去弄也很麻烦，所以的确不是刚需，你可以尝试去调别人的SDK。
经常会被问的问题：
1.我就想做个我说一句话，然后就识别为文字。
有时候问这个问题，我的确挺气的。你们知道这背后有多少东西，没有那么简单就搞出来的。统一回答：你需要找到训练语料，然后训练一个模型，然后再弄解码，然后再出来。这个需要训练模型，需要语料，你有吗？
2.不是有kaldi或者htk了吗？再说王东老师都开源中文的识别例子了？自己可以搞了。
然而并不是，王东老师弄这个例子是为了促进中文语音识别的发展，真的特别感谢王东老师。我当时读研的时候什么数据库都没，就自己看。但这个语料仅仅只是科研，你想要工业应用，还差十万八千里。开源的的确存在，你需要有自己的数据库，然后利用开源来搭建一个适合自己情景的系统。
3.机器真的要GPU吗？
现在都知道dnn或者LSTM的效果好，这些都是用显卡和语料烧出来的，也就是用钱喂出来的。所以这个的确需要钱……
基本对于工业的人来说已经够了，应该足够自己做判断了。再次强调语音识别还是一个高门槛的事情，谨慎入。当然土豪就无所谓了。
以上对于大家来说，可以做判断了，聪明的人做聪明的判断。
希望更多的人加入到语音这个大家庭来，共同繁荣语音事业。
后续会根据反馈情况，逐步反馈。
看了群里n多初级的问题，这里汇总下：
1.请问有没有可能做爬虫去网上下载训练数据？商业数据还是太贵了…
答：
网上的训练数据问题：1）采样率是否统一，有没有做过重采样；2）说话人是否足够；3）是否有标注；4）若有声读物标注是一长段，不太适合训练，需搞短点；5）电影里的背景声音问题；6）新闻的倒是有可能用，但也需要很多人工切分，处理等。
2.自己的数据怎么弄？
kaldi中有很多的例子，你可以参考kaldi里的任何一个例子，英文的可以参考的很多，中文的就参考王东老师提供的thchus30。主要是数据准备阶段，其他的都可以复用脚本，但不一定适合自己，别忘了调整参数。
版权所有，如果您转载，请附上原链接。