如何將可變長度的語音特征提供給 RNN（LSTM）以進行語音識別？

Question

我正在嘗試構建一個語音識別系統，它是一個序列到序列的模型。 但是我對如何將提取的特征（維度為 40 的 fbank）提供給 LSTM 感到困惑。 據我所知，有不同的方法可以將數據作為輸入提供給 LSTM。 但是，我懷疑要完全理解它們。 如果有人告訴我在以下情況下我是否正確，我將非常感激。

情況1：在方便的格式[BATCH_SIZE，Time_Step，Feature_Dim]，如果我選擇[1，無，40]，每個序列（發聲）的長度可以變化？ 如果是這樣，在這種情況下，我不需要填充每個序列，對嗎？

情況 2：如果所有輸入序列都填充到相同的長度，則 Batch_Size 可以是任何值，例如 64、128 等？

最后，還有一個問題，我是否注意到每個 Batch 中的 Time_Step 應該是相同的？

如果有人可以幫助我擺脫疑慮或給我一些建議，我將非常感激。

Answer 1

這取決於您的系統是如何構建的，它是端到端培訓還是您使用了 MFCC 等手工工程功能？ 還要注意的是，RNN 的主要用途是具有可變長度的輸入。