AI Engineering · 第 7 章 语音与音频

AI Engineering · 第 7 章 语音与音频

章节摘要:本章对应原课程「06-speech-and-audio」,属「第一篇·深度学习」。让机器听懂声音——ASR、TTS、音频生成。本章共 17 节,前置依赖为「第4章」。语音是另一条感知通道,从波形到梅尔特征再到 Whisper。 本章将带你逐节吃透这一领域的核心概念,并尽量从零手工实现,再用主流框架对比验证。

学习目标

阅读完本章,你应当能够:

1. 理解语音与音频在整个 AI 工程体系中的定位(让机器听懂声音——ASR、TTS、音频生成)。
2. 掌握本章 17 节覆盖的核心概念与算法。
3. 能够从零实现本章的关键模型/机制,并用框架对比验证。
4. 说清本章与前后章节的依赖关系(前置:第4章)。
5. 识别本章主题在生产实践中的常见应用与陷阱。

注:具体学习目标将在各子节汉化时细化为可考核的能力点。

核心概念速览

语音是另一条感知通道,从波形到梅尔特征再到 Whisper。

注:本章的 Mermaid 概念图将在支柱页完善时替换为本章核心架构/流程图(基于原 Phase README 与首节内容绘制)。

子章节导航

01 Audio Fundamentals — Waveforms, Sampling, Fourier Transform

02 Spectrograms, Mel Scale & Audio Features

03 Audio Classification — From k-NN on MFCCs to AST and BEATs

04 Speech Recognition (ASR) — CTC, RNN-T, Attention

05 Whisper — Architecture & Fine-Tuning

06 Speaker Recognition & Verification

07 Text-to-Speech (TTS) — From Tacotron to F5 and Kokoro

08 Voice Cloning & Voice Conversion

...(本章共 17 节,详见原项目 phases/06-speech-and-audio/)

子章节之间的逻辑关系

本章共 17 节,按原课程的编号顺序递进。详细的逻辑关系图将在支柱页完善时补充(基于各节的依赖与铺垫关系)。

本章第 01 节 ... ──► 第 17 节
   │
   ▼
下一章(第 8 章)
​

前置知识与后续延伸

前置知识:

• 第4章

本章为后续章节奠定的基础:

• 见原课程 README 的 Phase 依赖图(原项目根 README.md)。

本章支柱页为骨架初稿,各板块将在对应章节汉化推进时细化。原英文内容位于 phases/06-speech-and-audio/,每节正文为 docs/en.md,汉化状态见「教程规划.md」的待汉化清单。