基于Bi-RNN中文语音识别的实验设计

介绍TensorFlow深度学习架构,分析梅尔频率倒谱系数(MFCC)模型,结合双向循环神经网络(Bi-RNN)和联结主义时间分类(CTC)模型,对中文语音数据集Thchs-30进行深度学习,最终完成中文语音识别的实验设计,为中文语音识别在本科实验教学的应用具体重要参考意义。

人工智能实验:基于掌控板语音控制课例设计

语音识别技术已经运用到人们生活的各个领域。目前,语音识别技术常用的有两种方式,一种是基于本地语音模型库识别模式,另一种是基于云语音模型库识别模式。本地语音模型首先要建立模型库,模型库的建立需要大量的语音训练积累,通过采样生成音频文件,对比本地模型库,实现语音识别,这个过程需要学生了解语音信号的提取、声学模型、隐马尔科夫(HMM)模型等专业知识。为了能更好更快地实现语音识别效果,在课程设计时应采用基于云语音模型库识别模式。

《语音识别技术》教学设计

●设计背景当前人工智能课程刚起步,还处于探索研究阶段,各版本教材多以理论介绍为主,缺少感知体验、实践模拟。如何以学习者为中心,上好基于大班教学的普惠型人工智能课程是本文探索的重点,本文以智能语音技术中的语音识别技术一课为例探讨如何培养学生的人工智能鉴赏力、理解力、应用力、创新力以及责任感。