音频课程文档
您将学到什么以及将构建什么
加入 Hugging Face 社区
并获得增强的文档体验
开始使用
您将学到什么以及将构建什么
在本节中，我们将探讨如何使用 Transformer 将口语转换为文本，这项任务称为 语音识别。
语音识别，也称为自动语音识别（ASR）或语音转文本（STT），是最流行和最令人兴奋的口语处理任务之一。它广泛应用于各种应用程序中，包括听写、语音助手、视频字幕和会议记录。
您可能之前多次使用过语音识别系统而没有意识到！想想您智能手机设备中的数字助手（Siri、Google Assistant、Alexa）。当您使用这些助手时，它们做的第一件事就是将您的口语转录为文本，以便用于任何下游任务（例如为您查找天气 🌤️）。
请尝试下面的语音识别演示。您可以选择使用麦克风录制自己，或者拖放音频样本进行转录。
语音识别是一项具有挑战性的任务，因为它需要音频和文本的共同知识。输入音频可能有很多背景噪音，并且说话者可能有不同的口音，这使得很难识别口语。文本中可能包含没有声学声音的字符，例如标点符号，这些字符很难仅凭音频推断出来。这些都是我们在构建有效的语音识别系统时必须解决的障碍！
既然我们已经定义了任务，我们就可以开始更详细地研究语音识别。在本单元结束时，您将对可用的不同预训练语音识别模型以及如何将它们与 🤗 Transformers 库一起使用有很好的基本理解。您还将了解在特定领域或语言上微调 ASR 模型的程序，使您能够为遇到的任何任务构建高性能系统。您可以通过构建一个实时演示向您的朋友和家人展示您的模型，该演示可以将任何口语转换为文本！
具体来说，我们将涵盖：
< > 在 GitHub 上更新