语音识别实战 第二期【相比第一期，本期每次课每个点都充足改进】

先说清楚这门课在解决什么问题

语音识别不是调个接口就能落地。真要自己搭一套能跑的识别系统，你会卡在声学模型怎么对齐、解码器怎么构图、工具链怎么跑通这些环节上。这门课解决的是“从原理到能跑通的实践”这一段断层。它不教你怎么用现成云服务调 API，而是带你用 Kaldi 和 Eesen 这类传统与端到端框架，把识别流程完整走一遍。如果你工作中需要处理语音转写、命令词识别，或者要基于开源框架做二次开发，这套实践流程是绕不开的基础。相比第一期，第二期在每个知识点上做了更充足的展开和改进，对初学者更友好，不会出现一个概念匆匆带过、下一个环节就接不上的情况。

适合什么基础，建议先看哪几块

这门课默认你有一点 Python 基础和命令行操作经验，不要求预先懂语音信号处理，但如果你完全没接触过 Linux 环境和 Shell 脚本，前期跑 Kaldi 的 egs 会比较吃力。建议的看课顺序是：先把第一阶段的语言模型、声学模型、解码器这三块原理看完，不要急着动手；原理部分理清后，直接进入第二阶段的 Kaldi 实践，先从 yesno 这个孤立词识别例子跑通，建立对整个工具链的体感，再去碰 aishell 的大规模连续语音识别。第三阶段的 Eesen 端到端框架可以放到最后，作为对传统流水线方案的对比来学。这样安排的原因是，yesno 虽然简单，但它包含了数据准备、特征提取、模型训练、解码的完整闭环，跑通它比看十遍文档都管用。

学完能独立做什么，资料怎么配合练习

学完后，你应该能独立完成这几件事：基于 Kaldi 搭建一个小规模的孤立词识别系统，比如唤醒词场景；用 aishell 这类开源中文语料训练一个连续语音识别模型，并完成基本的转写测试；理解端到端框架与传统 Kaldi 流程的差异，能根据场景选型。资料配合练习的方式很关键：每看完一阶段的课，就去对应跑一遍资料里的实践代码和配置脚本，不要把看课和动手分开。特别要注意 Kaldi 的脚本里数据准备和路径配置是最容易出错的地方，遇到报错先对照课程里讲到的目录结构和参数说明去排查。端到端那部分，建议你把传统框架的结果和端到端的结果放在一起对比听一下，直观感受两者在识别效果和训练成本上的差异，这比单纯记概念更有用。