我正在尝试训练 lstm 模型进行语音识别，但不知道要使用哪些训练数据和目标数据。我正在使用LibriSpeech dataset，它包含音频文件及其转录本。在这一点上，我知道目标数据将被向量化的转录文本。至于训练数据，我正在考虑使用每个音频文件（或 MFCC 功能）的频率和时间。如果这是解决问题的正确方法，训练数据/音频将是多个数组，我将如何将这些数组输入到我的 lstm 模型中？我必须对它们进行矢量化吗？
谢谢！
【问题讨论】：
标签： tensorflow speech-recognition keras speech-to-text lstm
要准备用于输入 LSTM 模型的语音数据集，您可以查看这篇文章 - Building Speech Dataset for LSTM binary classification 以及片段 Data Preparation。
作为一个很好的例子，你可以看到这篇文章 - http://danielhnyk.cz/predicting-sequences-vectors-keras-using-rnn-lstm/。这篇文章讨论了如何使用 RNN - LSTM 在 Keras 中预测向量序列。
我相信你会发现这篇文章 (https://stats.stackexchange.com/questions/192014/how-to-implement-a-lstm-based-classifier-to-classify-speech-files-using-keras) 也很有帮助。
【讨论】：