當我還是個孩子的時候，幾乎每個超級英雄都有一臺語音控制的計算機。所以你可以想象我第一次遇到Alexa對我來說是一次深刻的經歷。我心里的孩子非常高興和興奮。當然，然后我的工程直覺開始發揮作用，我分析了這些設備是如何工作的。

事實證明，他們有神經網絡來處理這個復雜的問題。事實上，神經網絡大大簡化了這個問題，以至于今天使用Python在計算機上制作這些應用程序之一非常容易。但情況并非總是如此。第一次嘗試是在 1952 年進行的。由三位貝爾實驗室研究人員撰寫。

他們建立了一個具有10個單詞詞匯的單揚聲器數字識別系統。然而，到1980年代，這一數字急劇增長。詞匯量增長到20，000個單詞，第一批商業產品開始出現。Dragon Dictate是首批此類產品之一，最初售價為9，000美元。Alexa今天更實惠，對吧？

但是，今天我們可以在瀏覽器中使用Tensorflo.js執行語音識別。在本文中，我們將介紹：

1. 遷移學習

從歷史上看，圖像分類是普及深度神經網絡的問題，尤其是視覺類型的神經網絡——卷積神經網絡（CNN）。今天，遷移學習用于其他類型的機器學習任務，如NLP和語音識別。我們不會詳細介紹什么是 CNN 以及它們是如何工作的。然而，我們可以說CNN在2012年打破了ImageNet大規模視覺識別挑戰賽（ILSVRC）的記錄后得到了普及。

該競賽評估大規模對象檢測和圖像分類的算法。他們提供的數據集包含 1000 個圖像類別和超過 1 萬張圖像。圖像分類算法的目標是正確預測對象屬于哪個類。自2年以來。本次比賽的每位獲勝者都使用了CNN。

訓練深度神經網絡可能具有計算性和耗時性。要獲得真正好的結果，您需要大量的計算能力，這意味著大量的GPU，這意味著......嗯，很多錢。當然，您可以訓練這些大型架構并在云環境中獲得SOTA結果，但這也非常昂貴。

有一段時間，這些架構對普通開發人員不可用。然而，遷移學習的概念改變了這種情況。特別是，對于這個問題，我們今天正在解決 - 圖像分類。今天，我們可以使用最先進的架構，這些架構在 ImageNet 競賽中獲勝，這要歸功于遷移學習和預訓練模型。

1.1 預訓練模型

此時，人們可能會想知道“什么是預訓練模型？從本質上講，預訓練模型是以前在大型數據集（例如 ImageNet 數據集）上訓練的保存網絡 。 有兩種方法可以使用它們。您可以將其用作開箱即用的解決方案，也可以將其與遷移學習一起使用。 由于大型數據集通常用于某些全局解決方案，因此您可以自定義預先訓練的模型并將其專門用于某些問題。

通過這種方式，您可以利用一些最著名的神經網絡，而不會在訓練上浪費太多時間和資源。此外，您還可以 通過修改所選圖層的行為來微調這些模型。整個想法圍繞著使用較低層的預訓練CNN模型，并添加額外的層，這些層將為特定問題定制架構。

從本質上講，嚴肅的遷移學習模型通常由兩部分組成。我們稱它們為骨干和頭腦。 主干通常是在 ImageNet 數據集上預先訓練的深度架構，沒有頂層。Head 是圖像分類模型的一部分，用于預測自定義類。

這些層將添加到預訓練模型的頂部。有了這些系統，我們有兩個階段：瓶頸和培訓階段。在瓶頸階段，特定數據集的圖像通過主干架構運行，并存儲結果。在訓練階段，來自主干的存儲輸出用于訓練自定義層。

有幾個領域適合使用預先訓練的模型，語音識別就是其中之一。此模型稱為語音命令識別器。從本質上講，它是一個JavaScript模塊，可以識別由簡單英語單詞組成的口語命令。

默認詞匯“18w”包括以下單詞：從“零”到“九”、“向上”、“向下”、“向左”、“向右”、“開始”、“停止”、“是”、“否”的數字。還提供其他類別的“未知單詞”和“背景噪音”。除了已經提到的“18w”字典之外，還有更小的字典“directional4w”可用。它只包含四個方向詞（“上”、“下”、“左”、“右”）。

2. 語音識別如何工作？

當涉及到神經網絡和音頻的組合時，有很多方法。語音通常使用某種遞歸神經網絡或LSTM來處理。但是，語音命令識別器使用稱為卷積神經網絡的簡單體系結構，用于小占用量關鍵字發現。

這種方法基于我們在上一篇文章中研究的圖像識別和卷積神經網絡。乍一看，這可能會令人困惑，因為音頻是一個跨時間的一維連續信號，而不是 2D 空間問題。

2.1 譜圖

此體系結構使用頻譜圖。這是信號頻率頻譜隨時間變化的視覺表示。從本質上講，定義了單詞應該適合的時間窗口。

這是通過將音頻信號樣本分組到段來完成的。完成此操作后，將分析頻率的強度，并定義具有可能單詞的段。然后將這些片段轉換為頻譜圖，例如用于單詞識別的單通道圖像：

然后，使用這種預處理制作的圖像被饋送到多層卷積神經網絡中。

3. 演示

您可能已經注意到，此頁面要求您允許使用麥克風。這是因為我們在此頁面中嵌入了實現演示。為了使此演示正常工作，您必須允許它使用麥克風。

現在，您可以使用命令“向上”，“向下”，“向左”和“右”在下面的畫布上繪制。繼續嘗試一下：

4. 使用TensorFlow實現.js

4.1 網頁文件

首先，讓我們看一下我們實現的 index.html 文件。在上一篇文章中，我們介紹了幾種安裝TensorFlow.js的方法。其中之一是將其集成到HTML文件的腳本標記中。這也是我們在這里的做法。除此之外，我們需要為預訓練的模型添加一個額外的腳本標記。以下是索引.html的外觀：

                      
        
TensorFlow.js Speech Recognition
        
Using pretrained models for speech recognition
    
          

包含此實現的 JavaScript 代碼位于 script.js 中。此文件應與 index.html 文件位于同一文件夾中。為了運行整個過程，您所要做的就是在瀏覽器中打開索引.html并允許它使用您的麥克風。

4.2 腳本文件

現在，讓我們檢查整個實現所在的 script.js 文件。以下是主運行函數的外觀：

async function run() { recognizer = speechCommands.create('BROWSER_FFT', 'directional4w'); await recognizer.ensureModelLoaded(); var canvas = document.getElementById("canvas"); var contex = canvas.getContext("2d"); contex.lineWidth = 10; contex.lineJoin = 'round';  var positionx = 400; var positiony = 500; predict(contex, positionx, positiony);}

在這里我們可以看到應用程序的工作流程。首先，我們創建模型的實例并將其分配給全局變量識別器。我們使用“directional4w”字典，因為我們只需要“up”，“down”，“left”和“right”命令。

然后我們等待模型加載完成。如果您的互聯網連接速度較慢，這可能需要一些時間。完成后，我們初始化執行繪圖的畫布。最后，調用預測方法。以下是該函數內部發生的情況：

function calculateNewPosition(positionx, positiony, direction){    return {        'up' : [positionx, positiony - 10],        'down': [positionx, positiony + 10],        'left' : [positionx - 10, positiony],        'right' : [positionx + 10, positiony],        'default': [positionx, positiony]    }[direction];}function predict(contex, positionx, positiony) { const words = recognizer.wordLabels(); recognizer.listen(({scores}) => {   scores = Array.from(scores).map((s, i) => ({score: s, word: words[i]}));   scores.sort((s1, s2) => s2.score - s1.score);    var direction = scores[0].word;    var [x1, y1] = calculateNewPosition(positionx, positiony, direction);    contex.moveTo(positionx,positiony);    contex.lineTo(x1, y1);    contex.closePath();    contex.stroke();    positionx = x1;    positiony = y1; }, {probabilityThreshold: 0.75});}

這種方法正在做繁重的工作。從本質上講，它運行一個無限循環，其中識別器正在傾聽您正在說的話。請注意，我們正在使用參數 probabilityThreshold。

此參數定義是否應調用回調函數。實質上，僅當最大概率分數大于此閾值時，才會調用回調函數。當我們得到這個詞時，我們就得到了我們應該畫的方向。

然后我們使用函數 calculateNewPosition 計算線尾的坐標。該步長為 10 像素，這意味著行的長度將為 10 像素。您可以同時使用概率閾值和此長度值。獲得新坐標后，我們使用畫布繪制線條。就是這樣。很簡單，對吧？

結論

在本文中，我們看到了如何輕松使用預先訓練的 TensorFlow.js 模型。它們是一些簡單應用程序的良好起點。我們甚至構建了一個此類應用程序的示例，您可以使用它使用語音命令進行繪制。這很酷，可能性是無窮無盡的。當然，您可以進一步訓練這些模型，獲得更好的結果，并將它們用于更復雜的解決方案。這意味著，您可以真正利用遷移學習。然而，這是另一個時代的故事。

原文標題：Speech Recognition with TensorFlow.js – Voice Commands

原文鏈接：https://rubikscode.net/2022/05/11/drawing-with-voice-speech-recognition-with-tensorflow-js/

編譯：LCR