基于TensorFlow.js的英文語(yǔ)音識(shí)別研究與實(shí)現(xiàn)

李東升 蘇煜輝 陳正銘

摘要：TensorFlow是谷歌基于DistBelief進(jìn)行研發(fā)的第二代人工智能學(xué)習(xí)系統(tǒng)，而本文將介紹其衍生的js版本即TensorFlow.js框架，并且基于這個(gè)框架和瀏覽器環(huán)境加載一個(gè)預(yù)訓(xùn)練模型來(lái)實(shí)現(xiàn)語(yǔ)音識(shí)別簡(jiǎn)單孤立的英文單詞的功能。通過(guò)對(duì)預(yù)訓(xùn)練模型的使用與優(yōu)化研究，為進(jìn)一步使用TensorFlow.js實(shí)現(xiàn)更加復(fù)雜的商業(yè)化功能做了前期探索。

關(guān)鍵詞：預(yù)訓(xùn)練模型;TensorFlow.js;語(yǔ)音識(shí)別

1 概述

簡(jiǎn)單的語(yǔ)音識(shí)別實(shí)際上也是屬于分類問(wèn)題，而聲音在計(jì)算機(jī)中是被當(dāng)成聲譜圖，既然是圖片類的，那么就可以使用卷積神經(jīng)網(wǎng)絡(luò)來(lái)構(gòu)建訓(xùn)練模型[1]。實(shí)際上很多成熟的語(yǔ)音識(shí)別模型也是基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的，本文也將采用Tfjs-model這個(gè)官方模型庫(kù)里面的speech-commands這個(gè)預(yù)訓(xùn)練好的語(yǔ)音命令模型，該模型可以獲取一秒的音頻片段，十分適合用來(lái)實(shí)現(xiàn)一個(gè)簡(jiǎn)單的語(yǔ)音識(shí)別功能。

2 TensorFlow.js框架

2.1 TensorFlow.js特性

需要說(shuō)明的是TensorFlow.js使用的是Tensor，也稱為張量，有別于一般數(shù)組，它是向量和矩陣向更高維度的拓展，也可以近似的看成一個(gè)多維數(shù)組。而神經(jīng)網(wǎng)絡(luò)具有多個(gè)神經(jīng)元和層，每一層都需要存儲(chǔ)N維的數(shù)據(jù)[5]，這些數(shù)據(jù)往往需要進(jìn)行N層的遍歷循環(huán)計(jì)算等，導(dǎo)致其數(shù)據(jù)結(jié)構(gòu)比較復(fù)雜，因此就需要張量這樣一個(gè)高維的數(shù)據(jù)結(jié)構(gòu)來(lái)存儲(chǔ)這些數(shù)據(jù)。

下文中的模型特指人工神經(jīng)網(wǎng)絡(luò)模型，主要由TensorFlow.js框架的sequential方法初始化并根據(jù)需求逐步添加輸入層、隱藏層和輸出層。每個(gè)神經(jīng)網(wǎng)絡(luò)模型里面都包含一個(gè)輸入層、最少一個(gè)隱藏層、一個(gè)輸出層，每個(gè)層由任意個(gè)（至少為1個(gè)）神經(jīng)元構(gòu)成。每個(gè)神經(jīng)元都會(huì)包含若干權(quán)重、偏置和一個(gè)激活函數(shù)。

2.2 TensorFlow.js開發(fā)環(huán)境搭建

所謂“工欲善其事必先利其器”，第一步首先是如何安裝TensorFlow.js。安裝的話其實(shí)分為在瀏覽器安裝和在node安裝，考慮到瀏覽器的便捷性和容易上手的特性，所以介紹相對(duì)比較簡(jiǎn)單的瀏覽器安裝。

完成上述TensorFlow.js庫(kù)的安裝后就可以在瀏覽器上運(yùn)行機(jī)器學(xué)習(xí)模型或者加載預(yù)訓(xùn)練模型。

3 預(yù)訓(xùn)練模型的使用

3.1 預(yù)訓(xùn)練模型

3.2 預(yù)訓(xùn)練模型實(shí)現(xiàn)

由于是預(yù)訓(xùn)練模型，故需要從官方倉(cāng)庫(kù)那里下載語(yǔ)音識(shí)別模型文件，保存到本地文件夾中，然后就可以在本地開啟靜態(tài)文件服務(wù)器（http-server或者nginx皆可，這里啟動(dòng)的地址默認(rèn)為：http：//127.0.0.1：8080）并且能通過(guò)靜態(tài)服務(wù)器訪問(wèn)到這個(gè)文件，下載這個(gè)模型文件后還需要安裝對(duì)應(yīng)的依賴，可以在終端命令行運(yùn)行npm i @tensorflow-models/speech-commands，然后在編寫業(yè)務(wù)邏輯的地方引入即可完成準(zhǔn)備工作，接下來(lái)將新建一個(gè)script.js文件來(lái)書寫具體的訓(xùn)練邏輯，步驟如下：

語(yǔ)音命令識(shí)別器的定義（在線流媒體識(shí)別方式）：利用導(dǎo)入的模型文件里面自帶的create方法建立一個(gè)識(shí)別器實(shí)例，這個(gè)識(shí)別器可以用來(lái)加載我們的預(yù)訓(xùn)練模型。該識(shí)別器需要傳入四個(gè)參數(shù)（第一個(gè)必選，其余為可選的識(shí)別參數(shù)），這里傳入了瀏覽器傅里葉轉(zhuǎn)換、null為默認(rèn)識(shí)別單詞（由于已經(jīng)給出模型地址故應(yīng)該給null或者undefined）、預(yù)訓(xùn)練模型的地址、預(yù)訓(xùn)練模型的源文件信息（地址和信息來(lái)源于剛剛安裝的語(yǔ)言識(shí)別依賴）：

3.3模型預(yù)測(cè)

經(jīng)過(guò)上面的步驟之后就已經(jīng)完成了加載預(yù)訓(xùn)練模型，同時(shí)獲得了模型的標(biāo)簽，接下來(lái)就可以通過(guò)監(jiān)聽用戶麥克風(fēng)的輸入即特征來(lái)進(jìn)行語(yǔ)音識(shí)別了。

監(jiān)聽用戶麥克風(fēng)：這個(gè)可以通過(guò)H5實(shí)現(xiàn)，但是識(shí)別器通過(guò)了listen方法也可以讓開發(fā)者監(jiān)聽。需要獲得用戶輸入對(duì)應(yīng)詞匯表中每個(gè)單詞對(duì)應(yīng)的符合程度，并且獲取其中符合程度最高的單詞，這個(gè)單詞就是根據(jù)用戶輸入的語(yǔ)音識(shí)別得到的，將這個(gè)單詞打印并顯示到頁(yè)面：