冬色

摘要： 对某一个变量感兴趣的话，在启动调试之后，直接对该变量“添加监视”，在调试窗口中即可看到该变量的变化； 查看指针指向的值 \[ 调试\to 窗口\to 内存\to 内存1 \] 拷贝指针的值，将指针的值复制到“内存1”的地址文本框中，显示的值默认为十六进制。 程序调试快捷键总结 Ctrl + F5直接 阅读全文

摘要： 简介 sh是Unix最初使用的shell，Linux默认为bash，是sh的扩展。 source <FileName>：在当前bash环境下，读取并执行FileName中的命令，该FileName可以无执行权限，该命令可以用命令.代替； sh <FileName>或者bash <FileName>： 阅读全文

摘要： 本文主要介绍3种模型，分别是前向注意力（Forward Attention，FA/FA+TA），逐步单向注意力（Stepwise Monotonic Attention，SMA）和FastSpeech2，前两者都是要求注意力权重尽量保证单调向前。具体来说，假设某一解码步上的注意力权重为：\([0,0 阅读全文

摘要： 本文主要介绍Interspeech2020中关于语音合成文本前端相关的进展，总体来说，主要是关注中文里面的多音字注音。 g2pM: A Neural Grapheme-to-Phoneme Conversion Package for Mandarin Chinese Based on a New 阅读全文

摘要： 利用非平行语料训练跨语种和多语种的语音识别（Automatic Speech Recognization，ASR），使用对比预测编码（Contrastive Predictive Coding，CPC）预训练语音识别系统，效果甚至超过监督学习。 代码地址：CPC_audio 简介 已有较多的工作应用 阅读全文

摘要： 本文介绍近期出现的、具有代表性的，由声学特征重建语音波形的相关工作。将声学特征转换为语音波形的这类模型通常被称作声码器，一般来说，目前的端到端语音合成首先由声学模型生成声学特征，比如梅尔频谱、线性谱等，再由声码器转换为最终的语音。生成语音中的韵律、表现力等由声学模型决定，而清晰度则由声码器决定，声码 阅读全文

摘要： 本篇总结神经机器翻译的实践中，较为基础的最佳实践。 应该使用哪个模型作为基线 Transformer是2017年发布的模型，即使到2020年仍然是比较好的基线模型，大热的BERT就是其升级版。 代码地址 Fairseq 这里实际推荐比较使用Fairseq指定arch为Transformer，按照官方 阅读全文

摘要： 神经机器翻译（Neural Machine Translation，NMT）建立源语言到目标语言的映射。多语种神经机器翻译（Multilingual NMT）能够实现一个模型在多个语言之间映射。本篇主要介绍神经机器翻译，以及多语种神经机器翻译的最新研究进展。 Does Multi-Encoder H 阅读全文

摘要： 利用Fairseq训练一个新的机器翻译模型，官方机器翻译(German-English)示例：Fairseq-Training a New Model。 数据预处理 进入fairseq/examples/translation目录下，执行sh prepare-iwslt14.sh。prepare-i 阅读全文

摘要： 一种快速、可扩展的序列建模工具包，Pytorch的高级封装库，适用于机器翻译、语言模型和篇章总结等建模任务。 抽象 注册 实现上的特点 抽象 Dataset：数据加载 Fairseq中的Dataset基本都是按功能逐层封装，按需组合起来。所有数据加载的实现均位于fairseq/data下面。 两个比 阅读全文

摘要： ICASSP2020中与语音合成相关一共有5个Session，分别是： Machine Learning for Speech Synthesis I Machine Learning for Speech Synthesis II Machine Learning for Speech Synth 阅读全文

摘要： 环境变量配置文件 MacOS Linux 如果shell的类型是zsh时，还会存在 和`~/.zshrc`。 其中 ,`/etc/paths /etc/bashrc /etc/profile /etc/paths /etc/bashrc`在bash shell执行时，会读取该文件。 MacOS默认用 阅读全文

摘要： 链接是一种文件共享方式，Linux常用其解决一些库版本的问题，通常也会将一些目录层次较深的文件链接到更易访问的目录中。在这些用途中，通常会使用软链接（又称符号链接）。 硬链接： 普通文件，其i node直接指向硬盘区块，类似于C++的指针。 软链接： 保存代表文件的绝对路径，类似于Windows的快 阅读全文

摘要： 对于信号$f(t)$， 其能量为： $$ E=\lim_{T\to \infty}\int_{ T}^{T}|f(t)|^2dt $$ 其功率为： $$ P=\lim_{T\to \infty}\frac{1}{2T}\int_{ T}^{T}|f(t)|^2dt $$ 也就是说，能量是信号的平方在 阅读全文

摘要： 该文章对应的GitHub仓库： "cnlinxi/algorithm_practise" 数组中重复的数字 数组中所有数字都在0~n 1的范围内，数组中某些数字是重复的，找出重复的数字。如长度为7的数组{2, 3, 1, 0, 2 5, 3}，对应的输出应为2或3. 输入： 输出： 解法1：排序，然 阅读全文

摘要： 语音质量评估，就是通过人类或自动化的方法评价语音质量。在实践中，有很多主观和客观的方法评价语音质量。主观方法就是通过人类对语音进行打分，比如MOS、CMOS和ABX Test。客观方法即是通过算法评测语音质量，在实时语音通话领域，这一问题研究较多，出现了诸如如PESQ和P.563这样的有参考和无参考 阅读全文

摘要： 音频分类前置知识 音频 音频常常被表示为波形图，其中横轴为时间，纵轴为幅值。音频多种多样，分类中一般分为语音、音乐、噪音、静音和环境音等。 采样频率 每秒从模拟信号中采集的样本个数，基本单位为 。信号的采样频率一般遵循奈奎斯特采样定理，即采样频率必须大于被采样信号最高频率的两倍。一般而言： 为电话信 阅读全文

摘要： 对于语音通信而言，语音码率较低，添加适当冗余是对抗网络丢包的常见方式。冗余方式有多种，包括 ，`FEC RFC 3350 RFC 2198 RFC 5109`是添加FEC数据的RTP封装标准协议。 RTP格式(RFC 3350) 文档地址： "RTP: A Transport Protocol fo 阅读全文

摘要： NetEQ使得WebRTC语音引擎能够快速且高解析度地适应不断变化的网络环境，确保了音质优美且缓冲延迟最小，其集成了自适应抖动控制以及丢包隐藏算法。 WebRTC和NetEQ概述 WebRTC WebRTC （Web Real Time Communications） 是一项实时通讯技术，它允许网络 阅读全文

摘要： VoIP基本原理 VoIP是通过Internet等互联网络传递语音信息的，主要包括终端设备、网关、网守和网络管理等部分。网关负责提供IP网络和传统的 接口。 VoIP的基本原理：通过语音压缩算法对语音数据进行压缩编码处理，然后将语音数据按照 标准打包，经过 网络把数据包发送到接收端，之后将语音数据包 阅读全文

摘要： ,`accelerate.cc` 加速操作，对语音信号处理以实现快速播放。 类继承自父类 ，大多数功能由 实现。 从|input|中读入长度为|input_length|的样本点；输出到算法缓冲区|output|中；改动的样本点数为|length_change_samples|；当fast_acce 阅读全文

摘要： 声纹识别，也称说话人识别，是一种通过声音判断说话人身份的技术。声纹识别可以分为说话人辨识(Speaker Identification, SI)和说话人确认(Speaker Verification, SV)。SI指将待测语音与已知集合内若干说话人比对，选取最为匹配的说话人；而SV指对于一个目标身份 阅读全文

摘要： 这本是近三个月间零零散散看到的知识点，今记录于此。 韵律预测 口语句子的韵律结构是指某些词似乎自然地结合在一起，而某些词似乎有明显间隔或彼此分开。如： 包含两个语调短语，边界即是逗号处。 在第一个短语中，似乎还有更小的韵律边界，通常称为中间短语，把单词做如下分割： 从一个语调短语的开始到结尾，$F_ 阅读全文

摘要： 排列与组合公式 从n个不同元素中任取r个，求取法个数； 排列要求次序，组合不讲次序； 全排列：$A^n_n=n!$ 选排列：$A_n^r=\frac{n!}{(n r)!}=n(n 1)...(n r+1)$ 组合：$C_n^r=\binom{n}{r}=\frac{n!}{r!(n r)!}=\f 阅读全文

摘要： 分类指标 精确率和召回率：多用于二分类问题 混淆矩阵 其中，TP(True Positive, 真正)：被模型预测为正例的正样本； FP(False Positive, 假正)：被模型预测为正例的负样本； FN(False Negative, 假负)：被模型预测为负例的正样本； TN(True Ne 阅读全文