manmanxiaowugun
manmanxiaowugun

语音识别MFCC系列（一）——连续信号、傅里叶变换

看了很多傅里叶变换（连续信号和离散信号）的博客，都写的不是很清楚，有些地方可能有误，我在查阅了书籍和大量资料以后，争取能用前后标注一致的公式把相关内容（帕斯瓦尔公式，能量信号，功率信号，能量密度谱，功率频谱等）讲清楚，说正确。最好先看连续信号再看离散信号哦

连续信号的请看语音识别MFCC系列（一）——连续信号、傅里叶变换

离散信号的请看语音识别MFCC系列（二）——离散信号、离散傅里叶变换

本文分别按顺序介绍，如果想弄懂，还是按顺序耐心看下去比较好，不过还是得有点数学功底的啦。

  • 连续        周期   信号的傅里叶  级数
  • 连续     非周期  信号的傅里叶  变换
  • 连续        周期   信号的傅里叶  变换

一、什么是傅里叶变换？

傅里叶变换就是将一个信号波形分为多个不同频率的余弦波形，成为频率分量。每个频率的余弦波形都有其对应的频率、幅值、相位。如下图所示，黑色的是原信号波形，其他颜色的均为频率分量，直线代表该频率分量幅值为0。

语音识别MFCC系列（一）——连续信号、傅里叶变换_第1张图片

二、连续周期信号的傅里叶级数

1. 傅里叶级数用下式表示，x\left ( t \right )为连续周期信号，周期为T_0，可以表示为多个频率分量之和，注意角频率分辨度\omega _0= \frac{2 \pi}{T_0}：

                                                  x( t ) = \frac{a _ { 0 }}{2} + \sum _ { n = 1 } ^ { \infty } \left[ a _ { n } \cos ( n \omega_0 t ) + b _ { n } \sin \left( n \omega _ { 0 } t \right) \right]

其中

 

                                                                \begin{align*} &a _ { 0 } = \frac { 2 } { T _ { 0 } } \int _ { - T _ { 0 } /2 } ^ {T _ { 0 } /2 }x ( t ) d t \\ &a _ { n } = \frac { 2 } { T _ { 0 } } \int _ { - T _ { 0 } /2 } ^ {T _ { 0 } /2 }x ( t ) \cos n \omega_0 t d t \\ &b _ { n } = \frac { 2 } { T _ { 0 } } \int _ { - T _ { 0 } /2 } ^ {T _ { 0 } /2 }x ( t ) \sin n \omega_0 t d t \end{align*}

2. 将傅里叶级数换一种表达方式如下：

                                                         x ( t ) = \frac{A_0}{2} + \sum _ { n = 1 } ^ { \infty } A _ { n } \cos \left( n \omega _ { 0 } t + \varphi _ { n } \right)

其中

                                                                      \begin{align*} &A_0=a_0 \\ &A_n=\sqrt{a_n^2+b_n^2} \\ &\varphi _n=-arctan \frac{b_n}{a_n} \end{align*}

先引入欧拉公式：

                                                                      e ^ { - i \theta } = \cos \theta - i \sin \theta

那么

                                                                      \cos \theta = \frac{e ^ { i \theta } + e ^ { - i \theta }}{2}

3. 那么引入傅里叶级数的复指数形式：

                                                  \begin{align*}x ( t ) &= \frac{A_0}{2} + \sum _ { n = 1 } ^ { \infty } \frac{A _ { n } }{2}\left [ e ^ { j \left ( n \omega _ { 0 } t +\varphi _ { n } \right ) } + e ^ {- j \left ( n \omega _ { 0 } t +\varphi _ { n } \right ) } \right ]\\ &= \frac{1 }{2}\sum _ { n = -\infty } ^ { \infty } A _ { n } e ^ { j \varphi _ { n }} e ^ { j n \omega _ { 0 } t } =\sum _ { n = -\infty } ^ { \infty } X\left ( n \omega _ { 0 } \right )e ^ { j n \omega _ { 0 } t } \end{align*}

其中X\left ( n \omega _ { 0 } \right )为复傅里叶系数：

                                        \begin{align*}X\left ( n \omega _ { 0 } \right ) &=\frac{1 }{2} A _ { n } e ^ { j \varphi _ { n }}= \frac{1 }{2}\left [ A_n \cos \varphi _n + j A_n \sin \varphi _n \right ]= \frac{1 }{2}(a_n-jb_n)\\ &= \frac { 1 } { T _ { 0 } } \int _ { - T _ { 0 } /2 } ^ {T _ { 0 } /2 }x ( t ) \cos n \omega_0 t d t -j\frac { 1 } { T _ { 0 } } \int _ { - T _ { 0 } /2 } ^ {T _ { 0 } /2 }x ( t ) \sin n \omega_0 t d t \\ &= \frac { 1 } { T _ { 0 } } \int _ { - T _ { 0 } /2 } ^ {T _ { 0 } /2 }x ( t ) e ^ {- j n \omega _ { 0 } t } d t\end{align*}

注意，因为\cos n \omega_0 t为n的偶函数，X\left ( n \omega _ { 0 } \right )的实轴\frac{1 }{2} a _ { n }=\frac {1 } { T _ { 0 } } \int _ { - T _ { 0 } /2 } ^ {T _ { 0 } /2 }x ( t ) \cos n \omega_0 t d t也为n的偶函数，同理\sin n \omega_0 t为n的奇函数，X\left ( n \omega _ { 0 } \right )的虚轴- \frac{1 }{2} b _ { n }=- \frac {1 } { T _ { 0 } } \int _ { - T _ { 0 } /2 } ^ {T _ { 0 } /2 }x ( t ) \sin n \omega_0 t d t也为n的奇函数，那么正频率X\left ( n \omega _ { 0 } \right )为负频率X\left ( -n \omega _ { 0 } \right )的共轭，即X\left ( n \omega _ { 0 } \right )=X^*\left ( -n \omega _ { 0 } \right )，这个概念很重要，引申到离散傅里叶变换也很重要。

4. 连续周期信号的频谱

把\left | X\left ( n \omega _ { 0 } \right ) \right | =\frac{1 }{2}A _ { n }随着频率变化的分布称为幅值频谱，为轴对称哦。注意傅里叶系数不等同于频率分量的波形峰值哦，直流分量的傅里叶系数等于该分量的波形峰值，其余频率分量的傅里叶系数等于该分量的波形峰值的一半，这里的负频率只是数学上的一种形式。

5. 连续周期信号的帕斯瓦尔公式

首先，如果把信号x\left ( t \right )视为加在1\Omega电阻两端的电压或通过的电流，那么电阻上消耗的平均功率为

                                                      \begin{align*}p &=\frac { 1 } { T _ { 0 } } \int _ { - \frac { T _ { 0 } } { 2 } } ^ { \frac { T _ { 0 } } { 2 } }\left | x ( t ) \right | ^ { 2 }d t \\ &= \frac { 1 } { T _ { 0 } } \int _ { - \frac { T _ { 0 } } { 2 } } ^ { \frac { T _ { 0 } } { 2 } } \left [ \frac{A_0}{2} + \sum _ { n = 1 } ^ { \infty } A _ { n } \cos \left( n \omega _ { 0 } t + \varphi _ { n } \right)\right ] ^ { 2 }d t \\ &= \left( \frac { A _ { 0 } } { 2 } \right) ^ { 2 } + \sum _ { n = 1 } ^ { \infty } \frac { 1 } { 2 } A _ { n } ^ { 2 } \\ &= \sum _ { n = - \infty } ^ { \infty } \left | X\left ( n \omega _ { 0 } \right ) \right | ^ { 2 } \end{align*}

平均功率p为有限值就是功率信号，很明显连续周期信号为功率信号（能量信号一会儿会介绍）。

连续周期信号的帕斯瓦尔公式就是上式的第一行和第四行，是针对功率的，代表一个周期信号的平均总功率等于它的全部谐波分量的平均功率之和。

功率频谱（周期信号的，别的功率信号我不知道）就指的是各频率分量的平均功率，即\left | X\left ( n \omega _ { 0 } \right ) \right | ^ { 2 }。

三、连续非周期信号的傅里叶变换

1.连续周期矩阵脉冲信号的傅里叶级数

语音识别MFCC系列（一）——连续信号、傅里叶变换_第2张图片

                                             X\left ( n \omega _ { 0 } \right ) = \frac { E _ { \tau } } { T _ { 0 } } \frac { \sin \frac { 1 } { 2 } n \omega _ { 0 } \tau } { \frac { 1 } { 2 } n \omega _ { 0 } \tau }=\frac { E \tau } { T _ { 0 } } S a \left( \frac { n \omega _ { 0 } \tau } { 2 } \right) \quad n = 0 , \pm 1 , \pm 2 , \cdots

如上图所知，频谱间隔为\omega _0=\frac{2\pi}{T_0}，与T_0成反比，第一个过零点为n\omega _0 = \frac { 2 \pi } { \tau }，与\tau成反比，傅里叶系数的幅值最大值为\frac { E \tau } { T _ { 0 } }，与T_0成反比。那么当T_0变得很大，\tau不变时，x\left ( t \right )就变成连续非周期信号，频谱间隔会很小，第一个过零点位置不变，那么频谱会变得很密集，直到变成连续的，但这时傅里叶系数的幅值最大值会非常小。

2. 连续非周期信号的傅里叶变换

为了克服T_0对X\left ( n \omega _ { 0 } \right )的影响，引入T_0X\left ( n \omega _ { 0 } \right )=\frac{2\pi X\left ( n \omega _ { 0 } \right )}{\omega _ { 0 }}，因其含有单位角频率所具有的意义，成为频谱密度函数，简称频谱。注意非周期信号的频谱是乘过T_0的。

将x\left ( t \right )按周期T_0进行周期性延拓为\hat { x } ( t )，得到\hat { x } ( t )的傅里叶级数：

                                                                      \hat { x } ( t ) = \sum _ { n = - \infty } ^ { \infty } \hat { X } \left( n \omega _ { 0 } \right) e ^ { j n \omega _ { 0 } t }

                                                                 \hat { X } \left( n \omega _ { 0 } \right) = \frac { 1 } { T _ { 0 } } \int _ { - \frac { T_0 } { 2 } } ^ { \frac { T _ { 0 } } { 2 } } \hat { x } ( t ) \mathrm { e } ^ { - \mathrm { j } n \omega _ { 0 } t } \mathrm { d } t

我们需要：

                                                                  T_0 \hat { X } \left( n \omega _ { 0 } \right) = \int _ { - \frac { T_0 } { 2 } } ^ { \frac { T _ { 0 } } { 2 } } \hat { x } ( t ) \mathrm { e } ^ { - \mathrm { j } n \omega _ { 0 } t } \mathrm { d } t

当T _ { 0 } \rightarrow \infty时，\hat { x } ( t ) \rightarrow x ( t )，\hat { X } \left( n \omega _ { 0 } \right) \rightarrow X \left( n \omega _ { 0 } \right)，\omega _ { 0 } \rightarrow d \omega，n w _ { 0 } \rightarrow \omega，T_0 \hat { X } \left( n \omega _ { 0 } \right)成为连续的频谱密度函数，记为X ( \omega )

                                                                       X ( \omega ) = \int _ { - \infty } ^ { \infty } x ( t ) e ^ { - j \omega t } d t

                                    x ( t ) = \lim _ { T _ { 0 } \rightarrow \infty } \sum _ { n = - \infty } ^ { \infty } \hat { X } \left( n \omega _ { 0 } \right) e ^ { \mathrm { j } n \omega _ { 0 } t }= \lim _ { T _ { 0 } \rightarrow \infty } \sum _ { n = - \infty } ^ { \infty } \frac { 1 } { 2 \pi } T _ { 0 } \hat { X } \left( n \omega _ { 0 } \right) e ^ { \mathrm { j } n w _ { 0 } t } \omega _ { 0 }

因此

                                                                      x ( t ) = \frac { 1 } { 2 \pi } \int _ { - \infty } ^ { \infty } X ( \omega ) e ^ { \mathrm { j } \omega t } \mathrm { d } \omega

上述\mathscr { F } [ x ( t ) ] = X ( \omega )即为傅里叶变换，\mathscr { F } ^ { - 1 } [ X ( \omega ) ] = x ( t )即为傅里叶逆变换。

                              \begin{align*}x ( t ) &= \frac { 1 } { 2 \pi } \int _ { - \infty } ^ { \infty } X ( \omega ) e ^ { \mathrm { j } \omega t } \mathrm { d } \omega= \frac { 1 } { 2 \pi } \int _ { - \infty } ^ { \infty } | X ( \omega ) | \mathrm { e } ^ { j [ \omega t + \varphi ( \omega ) ] } d \omega\\ &= \frac { 1 } { 2 \pi } \int _ { - \infty } ^ { \infty } | X ( \omega ) | \cos [ \omega t + \varphi ( \omega ) ] d \omega+ \frac { j } { 2 \pi } \int _ { - \infty } ^ { \infty } | X ( \omega ) | \sin [ \omega t + \varphi ( \omega ) ] d \omega \end{align*}

因为第一部分为偶函数，第二部分为奇函数，所以：

                                                         x ( t ) = \frac { 1 } { \pi } \int _ { 0 } ^ { \infty } | X ( \omega ) | \cos [ \omega t + \varphi ( \omega ) ] d \omega

表明一个非周期信号包含了频率从零到无限大的一切频率的余弦分量，而各分量的波形峰值\frac { 1 } { \pi } | X ( \omega ) | d \omega是无穷小量，因此与周期信号不一样，频谱不能用幅值表示，而用频谱密度函数X ( \omega )表示，可看做单位频率的振幅。

3. 能量信号的帕斯瓦尔公式

                                                         \int _ { - \infty} ^ { \infty } \left |x( t ) \right | ^ { 2 } d t =\frac { 1 } { 2\pi }\int _ { - \infty} ^ { \infty }\left | X\left ( \omega \right ) \right | ^ { 2 } d \omega

证明不写了，就是时域相乘对应频域卷积，然后用上面那些公式硬算。很明显部分连续非周期信号（比如在时域上长度有限的矩阵脉冲信号）为能量信号，就是上面这个式子能求出具体值，极限存在。那么连续能量信号的\left | X\left ( \omega \right ) \right | ^ { 2 }或者\left | X\left ( \omega \right ) \right | ^ { 2 }/\left ( 2\pi \right )为能量密度谱。和之前的连续功率信号对比一下，功率信号的\left | X\left ( n \omega _ { 0 } \right ) \right | ^ { 2 }为功率频谱哦！

因为能量密度谱是偶函数，所以信号的总能量为

                                                                E=\frac { 1 } { \pi }\int _ {0} ^ { \infty }\left | X\left ( \omega \right ) \right | ^ { 2 } d \omega

四、连续周期信号的傅里叶变换

                     X ( \omega ) =\mathscr { F } [ x ( t ) ] = \mathscr { F } \left[ \sum _ { n = - \infty } ^ { \infty } X \left( n \omega _ { 0 } \right) e ^ { j w _ { 0 } t } \right] = \sum _ { n = - \infty } ^ { \infty } X \left( n \omega _ { 0 } \right) \mathscr { F } \left[ e ^ { j n \omega _ { 0 } t } \right]

                                       X( \omega)= \sum _ { n = - \infty } ^ { \infty } 2 \pi X \left( n \omega _ { 0 } \right) \delta \left( \omega - n \omega _ { 0 } \right)

周期信号的傅里叶变换（频谱密度函数，不是傅里叶级数哦），由无穷多个冲激函数组成，这些冲激函数位于周期信号的各谐波频率n\omega _0 \quad n = 0 , \pm 1 , \pm 2 , \cdots处，其强度为傅里叶级数X \left( n \omega _ { 0 } \right)的2 \pi倍。

你可能感兴趣的:(语音识别)

  • 哈尔滨工业大学DeepSeek公开课人工智能：大模型原理 技术与应用-从GPT到DeepSeek｜附视频下载方法 你觉得205 人工智能机器学习大数据ai知识图谱python运维
    导读INTRODUCTION今天继续哈尔滨工业大学车万翔教授带来了一场主题为“DeepSeek技术前沿与应用”的报告。本报告深入探讨了大语言模型在自然语言处理（NLP）领域的核心地位及其发展历程，从基础概念出发，延伸至语言模型在机器翻译、拼音输入法、语音识别等任务中的关键作用。强调了语言模型不仅辅助其他NLP任务，本身也蕴含大量知识，如地理信息、语义理解和推理能力。随着技术的发展，尤其是trans
  • 自动语音识别（ASR）：技术、应用与未来 ajie1117 语音识别人工智能
    自动语音识别（ASR）：技术、应用与未来1.ASR简介自动语音识别（ASR，AutomaticSpeechRecognition）是一种将语音转换为文本的技术。它利用人工智能（AI）、深度学习和自然语言处理（NLP）技术来识别和理解人类的语言，使计算机能够与人类进行更自然的交互。2.ASR的工作原理ASR的核心流程通常包括以下几个步骤：语音信号采集：通过麦克风或其他设备获取音频数据。预处理：去除噪
  • python离线语音转文本_使用Python将语音转换为文本的方法 weixin_39760619 python离线语音转文本
    使用Python将语音转换为文本的方法,语音,转换为,文本,您的,麦克风使用Python将语音转换为文本的方法易采站长站，站长之家为您整理了使用Python将语音转换为文本的方法的相关内容。语音识别是计算机软件识别口语中的单词和短语，并将其转换为可读文本的能力。那么如何在Python中将语音转换为文本？如何使用SpeechRecognition库在Python中将语音转换为文本？我们不需要从头开始
  • 深度学习的颠覆性发展：从卷积神经网络到Transformer AI天才研究院 AI大模型应用入门实战与进阶ChatGPT大数据人工智能语言模型AILLMJavaPython架构设计AgentRPA
    1.背景介绍深度学习是人工智能的核心技术之一，它通过模拟人类大脑中的神经网络学习从大数据中抽取知识，从而实现智能化的自动化处理。深度学习的发展历程可以分为以下几个阶段：2006年，GeoffreyHinton等人开始研究卷积神经网络（ConvolutionalNeuralNetworks，CNN），这是深度学习的第一个大突破。CNN主要应用于图像处理和语音识别等领域。2012年，AlexKrizh
  • 【微信小程序（云开发模式）变通实现DeepSeek支持语音】 技术与健康 微信小程序notepad++小程序
    整体架构前端（微信小程序）：使用微信小程序云开发能力，实现录音功能。将录音文件上传到云存储。调用云函数进行语音识别和DeepSeek处理。界面模仿DeepSeek，支持文本编辑。后端（云函数+Node.js）：使用云函数调用腾讯云语音识别（ASR）服务。调用DeepSeekAPI处理文本。步骤1：初始化云开发环境在微信开发者工具中创建小程序项目，并开通云开发。在project.config.jso
  • AI 大模型应用数据中心的数据迁移架构 AGI大模型与大数据研究院 DeepSeekR1&大数据AI人工智能javapythonjavascriptkotlingolang架构人工智能
    AI大模型、数据中心、数据迁移、架构设计、迁移策略、性能优化、安全保障1.背景介绍随着人工智能（AI）技术的飞速发展，大规模AI模型的应用日益广泛，涵盖了自然语言处理、计算机视觉、语音识别等多个领域。这些AI模型通常需要海量的数据进行训练和推理，因此数据中心作为AI应用的基础设施，显得尤为重要。然而，随着AI模型规模的不断扩大，数据中心面临着新的挑战：数据规模庞大:AI模型的训练和推理需要海量数据
  • 录音文字转换专家，一键搞定音转文字，让你的工作效率飞起来！ 开开心心_Every pythoneclipsedjangovirtualenvpygametornadoflask
    录音转文字助手是一款功能丰富的app，主要聚焦于语音识别、音频转文字以及实时语音翻译等功能。在这个app中，其内置了一套强大的识别系统。这套系统具备快速且无损转换的能力，无论是语音内容，还是音频文件内容，它都能够迅速地将其转换为文字内容并输出。而且，该app的功能不仅局限于此，它还可以进行多语种的翻译操作，这为不同语言需求的用户提供了极大的便利。帮助中心帮助中心相关问题解答：一、安装报错的处理安卓
  • 视频转音频, 音频转文字 言之。 python音视频
    Ubuntu24环境准备#系统级依赖sudoaptupdate&&sudoaptinstall-yffmpegpython3-venvgitbuild-essentialpython3-dev#Python虚拟环境python3-mvenv~/ai_summarysource~/ai_summary/bin/activate核心工具链工具用途安装命令Whisper语音识别pipinstallope
  • H5语音识别功能(Web Speech API+科大讯飞) 辣辣1 语音识别前端
    H5语音识别效果图:方案一:WebSpeechAPI(免费,IE浏览器可用,谷歌浏览器不可用)方案一：WebSpeechAPI开始停止识别结果:{{finalTranscript}}{{interimTranscript}}import{ref,onMounted,onBeforeUnmount}from"vue";constisSupported=ref(false);constisRecord
  • 如何在 Python 中将语音转换为文本 无水先生 语音处理人工智能综合pythonxcode开发语言
    一、说明  学习如何使用语音识别Python库执行语音识别，以在Python中将音频语音转换为文本。想要更快地编码吗？我们的Python代码生成器让您只需点击几下即可创建Python脚本。现在就现在试试！二、语言AI库2.1相当给力的转文字库  语音识别是计算机软件识别口语中的单词和短语并将其转换为人类可读文本的能力。在本教程中，您将学习如何使用SpeechRecognition库在Python中
  • 书籍-《动手学深度学习（英文版）》
    书籍：DiveintoDeepLearning作者：AstonZhang，ZacharyC.Lipton，MuLi，AlexanderJ.Smola出版：CambridgeUniversityPress编辑：陈萍萍的公主@一点人工一点智能下载：书籍下载-《动手学深度学习（英文版）》01书籍介绍深度学习已经彻底改变了模式识别，为计算机视觉、自然语言处理和自动语音识别等领域提供了强大的工具。应用深度学
  • 【微信小程序变通实现DeepSeek支持语音】 技术与健康 微信小程序小程序
    微信小程序实现录音转文字，并调用后端服务（Node.js）进行语音识别和，然后调用DeepSeek处理的完整实现。整体架构前端（微信小程序）：实现录音功能。将录音文件上传到后端。接收后端返回的语音识别结果，并显示在可编辑的文本框中。调用DeepSeek处理文本。后端（Node.js）：接收小程序上传的录音文件。调用腾讯云语音识别（ASR）服务，将语音转换为文字。返回识别结果给小程序。提供DeepS
  • 深入探索 PyTorch 在语音识别中的应用 Zoro｜ PyTorchDeepLearning机器学习pytorch语音识别人工智能
    深入探索PyTorch在语音识别中的应用在本篇博客中，我将分享如何使用PyTorch进行语音识别任务，重点围绕环境配置、数据预处理、特征提取、模型设计以及模型比较展开。本文基于最近一次机器学习作业（HW2）的任务内容，任务目标是对语音信号进行逐帧音素预测，从而完成多类别分类任务。一、介绍任务背景任务目标：利用深度神经网络对语音信号进行逐帧音素预测。音素定义：音素是语音中能够区分单词的最小语音单位。
  • AI人工智能深度学习算法：搭建可拓展的深度学习模型架构 AI大模型应用之禅 DeepSeekR1&AI大模型与大数据javapythonjavascriptkotlingolang架构人工智能
    深度学习、模型架构、可拓展性、神经网络、机器学习1.背景介绍深度学习作为人工智能领域最前沿的技术之一，在图像识别、自然语言处理、语音识别等领域取得了突破性的进展。深度学习模型的成功离不开其强大的学习能力和可拓展性。本文将深入探讨深度学习算法的原理、模型架构设计以及可拓展性的关键要素，并通过代码实例和实际应用场景，帮助读者理解如何搭建可拓展的深度学习模型架构。2.核心概念与联系深度学习的核心概念是人
  • 《AI大模型趣味实战》 No3：快速搭建一个漂亮的AI家庭网站-相册/时间线/日历/多用户/个性化配色/博客/聊天室/AI管家(下) 带娃的IT创业者 AI大模型趣味实战人工智能xcodemacos
    《AI大模型趣味实战》No3：快速搭建一个漂亮的AI家庭网站-相册/时间线/日历/多用户/个性化配色/博客/聊天室/AI管家(下)摘要本文介绍了家庭网站V1.3版本的更新内容，主要聚焦于AI管家功能的优化与完善。V1.3版本对AI管家模块进行了全面升级，包括使用更快速的GLM-4-Flash模型、优化语音交互体验、改进用户界面以及增强系统稳定性。本文详细解析了这些改进的技术实现，包括语音识别与合成
  • 李开复：AI 2.0 时代的价值 AI大模型应用之禅 DeepSeekR1&AI大模型与大数据javapythonjavascriptkotlingolang架构人工智能
    人工智能，AI2.0，价值创造，伦理挑战，未来趋势1.背景介绍人工智能（AI）技术近年来发展迅速，从语音识别、图像识别到自然语言处理，AI已经渗透到我们生活的方方面面。李开复，作为一位享誉全球的人工智能专家，在《AI2.0时代的价值》一文中，深刻地探讨了AI2.0时代带来的机遇与挑战，以及AI如何为人类创造价值。AI1.0时代主要集中在规则驱动的系统，例如围棋、象棋等游戏的AI。而AI2.0时代则
  • 李开复：AI 2.0 时代的机遇 AGI大模型与大数据研究院 DeepSeekR1&大数据AI人工智能javapythonjavascriptkotlingolang架构人工智能
    人工智能，深度学习，Transformer，大模型，通用人工智能，AI2.0，应用场景，未来趋势1.背景介绍人工智能（AI）技术近年来发展迅速，从语音识别、图像识别到自然语言处理等领域取得了突破性进展。其中，深度学习作为人工智能的核心技术之一，推动了AI技术的飞速发展。然而，深度学习模型的训练成本高、数据依赖性强、可解释性差等问题仍然制约着AI技术的进一步发展。李开复先生在《AI2.0时代的机遇》
  • Python 中的离线语音转文本 无水先生 语音编程人工智能综合python开发语言
    Python中的离线语音转文本一、说明  写作、编码、写博客、办公室工作、文档、报告都需要一个人在键盘上打字。这会导致健康问题，如腕管综合症、手和手指疼痛等。我非常了解这种痛苦。这是用于创建自己的离线运行的听写程序的Python代码。只需对着耳机的麦克风说话，它就会将您的话转换为文本并将其保存在文本文件中。二、安装  您将需要安装Python库—vosk、pyaudio。  Vosk是一个语音识别
  • 最方便的离线python实时中文语音识别！ 迟钝皮纳德 python语音识别
    废话不多说，直接上代码，先安装环境需要安装的包：jsonpyaudionumpyvosk新建一个py文件写入：importjsonimportpyaudioimportnumpyasnpfromvoskimportModel,KaldiRecognizer,SetLogLeveldefSaveWave(model):#设置音频参数FORMAT=pyaudio.paInt16#音频流的格式RATE=
  • 基于树莓派的轻量级AI数字人开发全流程指南 ——从硬件选型到语音视觉交互实战 zhz5214 AIai人工智能AI写作AI编程智能体
    1.背景与目标AI数字人，像是虚拟助手、交互式角色，在当下数字化浪潮中扮演着越来越重要的角色。其核心在于整合语音识别、视觉感知、自然语言处理（NLP）和动态反馈四大关键功能。本文将以树莓派5开发板为核心，搭配AI加速硬件，结合开源框架，为大家详细阐述如何实现本地化轻量级数字人开发。这一方案特别适用于教育领域，帮助学生更直观地理解AI技术；在智能家居场景中，也能为用户带来更智能、便捷的交互体验。2.
  • AI 大模型应用数据中心建设：高性能计算与存储架构 AI智能涌现深度研究 AI大模型应用入门实战与进阶javapythonjavascriptkotlingolang架构人工智能
    AI大模型、数据中心、高性能计算、存储架构、分布式训练、GPU加速、数据管理1.背景介绍近年来，人工智能（AI）技术取得了飞速发展，特别是深度学习模型的突破性进展，催生了一系列基于大规模数据训练的强大AI模型，例如GPT-3、BERT、DALL-E等。这些AI大模型在自然语言处理、计算机视觉、语音识别等领域展现出强大的应用潜力，但也对计算资源和数据存储提出了极高的要求。传统的计算架构难以满足AI大
  • 一个简单的语音识别实现---百度在线语音识别REST API SDK（Python）简单使用 DerrickOzil 语音识别pythonsdk语音识别
    百度在线语音识别RESTAPISDK（Python）简单使用首先申请开发者权限注册开发者信息完成注册创建新应用下载SDK并查看key在应用管理中，选择查看key，记录AppID、APIKey、SecretKey三个参数值。测试音频链接：http://pan.baidu.com/s/1o8Ue4B4密码：o5r1]注意事项音频格式限制pcm（不压缩）、wav、amr采样频率及位数支持评测8k/16k
  • AI大模型从入门到精通，2025终极指南！好卷啊，又不能躺平，只能悄悄卷你们了！ 大模型教程 人工智能大模型训练LLM知识库大模型大模型入门大模型学习
    什么是AI大模型？AI大模型是指使用大规模数据和强大的计算能力训练出来的人工智能模型。这些模型通常具有高度的准确性和泛化能力，可以应用于各种领域，如自然语言处理、图像识别、语音识别等。为什么要学AI大模型？2024人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用，大模型作为其中的重要组成部分，正逐渐成为推动人工智能发展的重要引擎。大模型以其强大的数据处理和模式识别能力，广泛应用于
  • FireRedASR：精准识别普通话、方言和歌曲歌词！小红书开源工业级自动语音识别模型 蚝油菜花 每日AI项目与应用实例语音识别人工智能人工智能开源
    ❤️如果你也关注AI的发展现状，且对AI应用开发感兴趣，我会每日分享大模型与AI领域的开源项目和应用，提供运行实例和实用教程，帮助你快速上手AI技术！微信公众号｜搜一搜：蚝油菜花大家好，我是蚝油菜花，今天跟大家分享一下FireRedASR这个小红书开源的工业级自动语音识别模型。快速阅读FireRedASR是小红书开源的工业级自动语音识别模型，支持普通话、中文方言和英语。该模型在普通话ASR基准测试
  • 语音识别后处理代码 hitsz_syl 语音识别后处理
    importreimportdifflibimportosfromdatetimeimportdatetime,timedeltadefextract_snippets_no_duplicates(input_file,output_file,window=150):"""从输入文本文件中提取包含目标字符（A、B、C、D、"开始"、"结束"）前后`window`个字符范围的文本。提取时扩展到完整的
  • 热门AI创作助手推荐【第一期】 量子星澜 文心一言AI写作chatgpt
    星游AI创作助手人工智能在现代科技中的应用非常广泛，涵盖了诸多领域，包括但不限于以下几个方面：1.语音识别和自然语言处理：人工智能技术被广泛应用于语音识别和自然语言处理领域，例如智能助手、翻译系统、语音交互系统等。2.机器学习和数据分析：人工智能的机器学习算法被用于数据分析、预测建模、用户个性化推荐等领域，帮助企业做出更准确的商业决策。3.计算机视觉：人工智能在计算机视觉领域的应用包括图像识别、视
  • AI笔记——语音识别 Yuki-^_^ 人工智能AI人工智能笔记语音识别
    摘要：语音识别（AutomaticSpeechRecognition,ASR）是人工智能领域的一项重要技术，它将人类的语音信号转换成文字。随着科技的发展，语音识别已经成为现代生活和工作中不可或缺的一部分。本文旨在介绍语音识别的基本原理、关键技术、应用场景以及未来发展趋势。一、历史与发展语音识别技术的历史可以追溯到20世纪50年代，那时的技术基于规则和模板。随着计算能力的提升和深度学习方法的出现，语
  • 自动语音识别（ASR）模型全览 u013250861 #语音识别人工智能
    以下为截至2024年底主流ASR模型的详细列表，涵盖传统模型、端到端模型、开源框架及商业解决方案，按技术类型分类整理，并标注适用场景：一、传统混合模型（GMM/HMM、DNN/HMM）GMM/HMM公开时间：1980年代参数量：百万级（依赖状态数）特点：基于高斯混合模型（GMM）与隐马尔可夫模型（HMM）结合，需手工对齐音素状态。适用场景：早期电话语音识别（嵌入式设备）、孤立词识别（工业控制终端）
  • Assembly语言的自然语言处理 花韵婷 包罗万象golang开发语言后端
    Assembly语言在自然语言处理中的应用引言自然语言处理（NaturalLanguageProcessing,NLP）作为人工智能的一个重要分支，致力于实现计算机与人类语言之间的互动。随着计算能力的提升以及大数据的蓬勃发展，NLP在各个领域的应用如火如荼。从语音识别、机器翻译到情感分析等，NLP正在改变我们与信息之间的互动方式。不过，当前主流的NLP研究通常是用高级编程语言（如Python、Ja
  • NPU的应用场景：从云端到边缘 绿算技术 NPU架构介绍缓存人工智能科技深度学习
    NPU的应用场景非常广泛，主要包括以下几个方面：1.云计算与数据中心AI推理服务：在云端提供高效的AI推理服务，例如图像识别、语音识别。模型训练加速：在大规模训练任务中，NPU可以作为加速单元，提升训练效率。2.边缘计算智能摄像头：在安防监控中，NPU可以实时处理视频流，实现目标检测和跟踪。智能音箱：在语音助手中，NPU可以加速语音识别和自然语言处理任务。3.自动驾驶实时感知：NPU可以加速自动驾
  • LeetCode[位运算] - #137 Single Number II Cwind javaAlgorithmLeetCode题解位运算
    原题链接：#137 Single Number II  要求： 给定一个整型数组，其中除了一个元素之外，每个元素都出现三次。找出这个元素 注意：算法的时间复杂度应为O(n)，最好不使用额外的内存空间   难度：中等   分析： 与#136类似，都是考察位运算。不过出现两次的可以使用异或运算的特性 n XOR n = 0, n XOR 0 = n，即某一
  • 《JavaScript语言精粹》笔记 aijuans JavaScript
    0、JavaScript的简单数据类型包括数字、字符创、布尔值（true/false）、null和undefined值，其它值都是对象。 1、JavaScript只有一个数字类型，它在内部被表示为64位的浮点数。没有分离出整数，所以1和1.0的值相同。 2、NaN是一个数值，表示一个不能产生正常结果的运算结果。NaN不等于任何值，包括它本身。可以用函数isNaN(number)检测NaN,但是
  • 你应该更新的Java知识之常用程序库 Kai_Ge java
    在很多人眼中，Java 已经是一门垂垂老矣的语言，但并不妨碍 Java 世界依然在前进。如果你曾离开 Java，云游于其它世界，或是每日只在遗留代码中挣扎，或许是时候抬起头，看看老 Java 中的新东西。 Guava Guava[gwɑ:və]，一句话，只要你做Java项目，就应该用Guava（Github）。 guava 是 Google 出品的一套 Java 核心库，在我看来，它甚至应该
  • HttpClient 120153216 httpclient
    /** * 可以传对象的请求转发，对象已流形式放入HTTP中 */ public static Object doPost(Map<String,Object> parmMap,String url) { Object object = null; HttpClient hc = new HttpClient(); String fullURL
  • Django model字段类型清单 2002wmj django
    Django 通过 models 实现数据库的创建、修改、删除等操作，本文为模型中一般常用的类型的清单，便于查询和使用： AutoField：一个自动递增的整型字段，添加记录时它会自动增长。你通常不需要直接使用这个字段；如果你不指定主键的话，系统会自动添加一个主键字段到你的model。(参阅自动主键字段) BooleanField：布尔字段,管理工具里会自动将其描述为checkbox。 Cha
  • 在SQLSERVER中查找消耗CPU最多的SQL 357029540 SQL Server
    返回消耗CPU数目最多的10条语句 SELECT TOP 10    total_worker_time/execution_count AS avg_cpu_cost, plan_handle,    execution_count,    (SELECT SUBSTRING(text, statement_start_of
  • Myeclipse项目无法部署，Undefined exploded archive location 7454103 eclipseMyEclipse
    做个备忘！ 错误信息为：       Undefined exploded archive location 原因：           在工程转移过程中，导致工程的配置文件出错； 解决方法：    
  • GMT时间格式转换 adminjun GMT时间转换
    普通的时间转换问题我这里就不再罗嗦了，我想大家应该都会那种低级的转换问题吧，现在我向大家总结一下如何转换GMT时间格式，这种格式的转换方法网上还不是很多，所以有必要总结一下，也算给有需要的朋友一个小小的帮助啦。 1、可以使用 SimpleDateFormat SimpleDateFormat    EEE-三位星期 d-天 MMM-月 yyyy-四位年
  • Oracle数据库新装连接串问题 aijuans oracle数据库
    割接新装了数据库，客户端登陆无问题，apache/cgi-bin程序有问题，sqlnet.log日志如下： Fatal NI connect error 12170.   VERSION INFORMATION:         TNS for Linux: Version 10.2.0.4.0 - Product
  • 回顾java数组复制 ayaoxinchao java数组
    在写这篇文章之前，也看了一些别人写的，基本上都是大同小异。文章是对java数组复制基础知识的回顾，算是作为学习笔记，供以后自己翻阅。首先，简单想一下这个问题：为什么要复制数组？我的个人理解：在我们在利用一个数组时，在每一次使用，我们都希望它的值是初始值。这时我们就要对数组进行复制，以达到原始数组值的安全性。java数组复制大致分为3种方式：①for循环方式 ②clone方式 ③arrayCopy方
  • java web会话监听并使用spring注入 bewithme Java Web
            在java web应用中，当你想在建立会话或移除会话时，让系统做某些事情，比如说，统计在线用户，每当有用户登录时，或退出时，那么可以用下面这个监听器来监听。        import java.util.ArrayList; import java.ut
  • NoSQL数据库之Redis数据库管理(Redis的常用命令及高级应用) bijian1013 redis数据库NoSQL
    一 .Redis常用命令         Redis提供了丰富的命令对数据库和各种数据库类型进行操作，这些命令可以在Linux终端使用。         a.键值相关命令         b.服务器相关命令 1.键值相关命令       &
  • java枚举序列化问题 bingyingao java枚举序列化
    对象在网络中传输离不开序列化和反序列化。而如果序列化的对象中有枚举值就要特别注意一些发布兼容问题: 1.加一个枚举值 新机器代码读分布式缓存中老对象，没有问题，不会抛异常。 老机器代码读分布式缓存中新对像，反序列化会中断，所以在所有机器发布完成之前要避免出现新对象，或者提前让老机器拥有新增枚举的jar。 2.删一个枚举值 新机器代码读分布式缓存中老对象，反序列
  • 【Spark七十八】Spark Kyro序列化 bit1129 spark
    当使用SparkContext的saveAsObjectFile方法将对象序列化到文件，以及通过objectFile方法将对象从文件反序列出来的时候，Spark默认使用Java的序列化以及反序列化机制，通常情况下，这种序列化机制是很低效的，Spark支持使用Kyro作为对象的序列化和反序列化机制，序列化的速度比java更快，但是使用Kyro时要注意，Kyro目前还是有些bug。 Spark
  • Hybridizing OO and Functional Design bookjovi erlanghaskell
      推荐博文： Tell Above, and Ask Below - Hybridizing OO and Functional Design 文章中把OO和FP讲的深入透彻，里面把smalltalk和haskell作为典型的两种编程范式代表语言，此点本人极为同意，smalltalk可以说是最能体现OO设计的面向对象语言，smalltalk的作者Alan kay也是OO的最早先驱，
  • Java-Collections Framework学习与总结-HashMap BrokenDreams Collections
            开发中常常会用到这样一种数据结构，根据一个关键字，找到所需的信息。这个过程有点像查字典，拿到一个key，去字典表中查找对应的value。Java1.0版本提供了这样的类java.util.Dictionary(抽象类)，基本上支持字典表的操作。后来引入了Map接口，更好的描述的这种数据结构。  &nb
  • 读《研磨设计模式》-代码笔记-职责链模式-Chain Of Responsibility bylijinnan java设计模式
    声明： 本文只为方便我个人查阅和理解，详细的分析以及源代码请移步 原作者的博客http://chjavach.iteye.com/ /** * 业务逻辑：项目经理只能处理500以下的费用申请，部门经理是1000，总经理不设限。简单起见，只同意“Tom”的申请 * bylijinnan */ abstract class Handler { /*
  • Android中启动外部程序 cherishLC android
    1、启动外部程序 引用自： http://blog.csdn.net/linxcool/article/details/7692374 //方法一 Intent intent=new Intent(); //包名 包名+类名（全路径） intent.setClassName("com.linxcool", "com.linxcool.PlaneActi
  • summary_keep_rate coollyj SUM
    BEGIN /*DECLARE minDate varchar(20) ; DECLARE maxDate varchar(20) ;*/ DECLARE stkDate varchar(20) ; DECLARE done int default -1; /* 游标中 注册服务器地址 */ DE
  • hadoop hdfs 添加数据目录出错 daizj hadoophdfs扩容
    由于原来配置的hadoop data目录快要用满了，故准备修改配置文件增加数据目录，以便扩容，但由于疏忽，把core-site.xml, hdfs-site.xml配置文件dfs.datanode.data.dir 配置项增加了配置目录，但未创建实际目录，重启datanode服务时，报如下错误： 2014-11-18 08:51:39,128 WARN org.apache.hadoop.h
  • grep 目录级联查找 dongwei_6688 grep
           在Mac或者Linux下使用grep进行文件内容查找时，如果给定的目标搜索路径是当前目录，那么它默认只搜索当前目录下的文件，而不会搜索其下面子目录中的文件内容，如果想级联搜索下级目录，需要使用一个“-r”参数： grep -n -r "GET" .   上面的命令将会找出当前目录“.”及当前目录中所有下级目录
  • yii 修改模块使用的布局文件 dcj3sjt126com yiilayouts
    方法一：yii模块默认使用系统当前的主题布局文件，如果在主配置文件中配置了主题比如: 'theme'=>'mythm', 那么yii的模块就使用 protected/themes/mythm/views/layouts 下的布局文件； 如果未配置主题，那么 yii的模块就使用  protected/views/layouts 下的布局文件， 总之默认不是使用自身目录 pr
  • 设计模式之单例模式 come_for_dream 设计模式单例模式懒汉式饿汉式双重检验锁失败无序写入
                    今天该来的面试还没来，这个店估计不会来电话了，安静下来写写博客也不错，没事翻了翻小易哥的博客甚至与大牛们之间的差距，基础知识不扎实建起来的楼再高也只能是危楼罢了，陈下心回归基础把以前学过的东西总结一下。   *********************************
  • 8、数组 豆豆咖啡 二维数组数组一维数组
      一、概念       数组是同一种类型数据的集合。其实数组就是一个容器。   二、好处       可以自动给数组中的元素从0开始编号，方便操作这些元素   三、格式   //一维数组 1,元素类型[] 变量名 = new 元素类型[元素的个数] int[] arr =
  • Decode Ways hcx2013 decode
    A message containing letters from A-Z is being encoded to numbers using the following mapping: 'A' -> 1 'B' -> 2 ... 'Z' -> 26 Given an encoded message containing digits, det
  • Spring4.1新特性——异步调度和事件机制的异常处理 jinnianshilongnian spring 4.1
    目录 Spring4.1新特性——综述 Spring4.1新特性——Spring核心部分及其他 Spring4.1新特性——Spring缓存框架增强 Spring4.1新特性——异步调用和事件机制的异常处理 Spring4.1新特性——数据库集成测试脚本初始化 Spring4.1新特性——Spring MVC增强 Spring4.1新特性——页面自动化测试框架Spring MVC T
  • squid3(高命中率)缓存服务器配置 liyonghui160com
        系统:centos 5.x   需要的软件:squid-3.0.STABLE25.tar.gz 1.下载squid wget http://www.squid-cache.org/Versions/v3/3.0/squid-3.0.STABLE25.tar.gz tar zxf squid-3.0.STABLE25.tar.gz &&
  • 避免Java应用中NullPointerException的技巧和最佳实践 pda158 java
    1) 从已知的String对象中调用equals()和equalsIgnoreCase()方法，而非未知对象。 　　总是从已知的非空String对象中调用equals()方法。因为equals()方法是对称的，调用a.equals(b)和调用b.equals(a)是完全相同的，这也是为什么程序员对于对象a和b这么不上心。如果调用者是空指针，这种调用可能导致一个空指针异常 Object unk
  • 如何在Swift语言中创建http请求 shoothao httpswift
    概述：本文通过实例从同步和异步两种方式上回答了”如何在Swift语言中创建http请求“的问题。 如果你对Objective-C比较了解的话，对于如何创建http请求你一定驾轻就熟了，而新语言Swift与其相比只有语法上的区别。但是，对才接触到这个崭新平台的初学者来说，他们仍然想知道“如何在Swift语言中创建http请求？”。 在这里,我将作出一些建议来回答上述问题。常见的
  • Spring事务的传播方式 uule spring事务
    传播方式：        新建事务       required       required_new   - 挂起当前         非事务方式运行       supports   &nbs
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他