LSTM通過(guò)輸入門(mén)、輸出門(mén)和遺忘門(mén)可以更好的控制信息的流動(dòng)和傳遞，具有長(zhǎng)短時(shí)記憶能力。雖然LSTM的計(jì)算復(fù)雜度會(huì)比DNN增加，但其整體性能比DNN有相對(duì)20%左右穩(wěn)定提升。BLSTM是在LSTM基礎(chǔ)上做的進(jìn)一步改進(jìn)，不僅考慮語(yǔ)音信號(hào)的歷史信息對(duì)當(dāng)前幀的影響，還要考慮未來(lái)信息對(duì)當(dāng)前幀的影響，因此其網(wǎng)絡(luò)中沿時(shí)間軸存在正向和反向兩個(gè)信息傳遞過(guò)程，這樣該模型可以更充分考慮上下文對(duì)于當(dāng)前語(yǔ)音幀的影響，能夠極大提高語(yǔ)音狀態(tài)分類的準(zhǔn)確率。BLSTM考慮未來(lái)信息的代價(jià)是需要進(jìn)行句子級(jí)更新，模型訓(xùn)練的收斂速度比較慢，同時(shí)也會(huì)帶來(lái)解碼的延遲，對(duì)于這些問(wèn)題，業(yè)屆都進(jìn)行了工程優(yōu)化與改進(jìn)，即使現(xiàn)在仍然有很多...

在我們的生活中，語(yǔ)言是傳遞信息重要的方式，它能夠讓人們之間互相了解。人和機(jī)器之間的交互也是相同的道理，讓機(jī)器人知道人類要做什么、怎么做。交互的方式有動(dòng)作、文本或語(yǔ)音等等，其中語(yǔ)音交互越來(lái)越被重視，因?yàn)殡S著互聯(lián)網(wǎng)上智能硬件的普及，產(chǎn)生了各種互聯(lián)網(wǎng)的入口方式，而語(yǔ)音是簡(jiǎn)單、直接的交互方式，是通用的輸入模式。在1952年，貝爾研究所研制了世界上能識(shí)別10個(gè)英文數(shù)字發(fā)音的系統(tǒng)。1960年英國(guó)的Denes等人研制了世界上語(yǔ)音識(shí)別（ASR）系統(tǒng)。大規(guī)模的語(yǔ)音識(shí)別研究始于70年代，并在單個(gè)詞的識(shí)別方面取得了實(shí)質(zhì)性的進(jìn)展。上世紀(jì)80年代以后，語(yǔ)音識(shí)別研究的重點(diǎn)逐漸轉(zhuǎn)向更通用的大詞匯量、非特定人的連續(xù)語(yǔ)...

LSTM通過(guò)輸入門(mén)、輸出門(mén)和遺忘門(mén)可以更好的控制信息的流動(dòng)和傳遞，具有長(zhǎng)短時(shí)記憶能力。雖然LSTM的計(jì)算復(fù)雜度會(huì)比DNN增加，但其整體性能比DNN有相對(duì)20%左右穩(wěn)定提升。BLSTM是在LSTM基礎(chǔ)上做的進(jìn)一步改進(jìn)，不僅考慮語(yǔ)音信號(hào)的歷史信息對(duì)當(dāng)前幀的影響，還要考慮未來(lái)信息對(duì)當(dāng)前幀的影響，因此其網(wǎng)絡(luò)中沿時(shí)間軸存在正向和反向兩個(gè)信息傳遞過(guò)程，這樣該模型可以更充分考慮上下文對(duì)于當(dāng)前語(yǔ)音幀的影響，能夠極大提高語(yǔ)音狀態(tài)分類的準(zhǔn)確率。BLSTM考慮未來(lái)信息的代價(jià)是需要進(jìn)行句子級(jí)更新，模型訓(xùn)練的收斂速度比較慢，同時(shí)也會(huì)帶來(lái)解碼的延遲，對(duì)于這些問(wèn)題，業(yè)屆都進(jìn)行了工程優(yōu)化與改進(jìn)，即使現(xiàn)在仍然有很多...

CNN本質(zhì)上也可以看作是從語(yǔ)音信號(hào)中不斷抽取特征的一個(gè)過(guò)程。CNN相比于傳統(tǒng)的DNN模型，在相同性能情況下，前者的參數(shù)量更少。綜上所述，對(duì)于建模能力來(lái)說(shuō)，DNN適合特征映射到空間，LSTM具有長(zhǎng)短時(shí)記憶能力，CNN擅長(zhǎng)減少語(yǔ)音信號(hào)的多樣性，因此一個(gè)好的語(yǔ)音識(shí)別系統(tǒng)是這些網(wǎng)絡(luò)的組合。端到端時(shí)代語(yǔ)音識(shí)別的端到端方法主要是代價(jià)函數(shù)發(fā)生了變化，但神經(jīng)網(wǎng)絡(luò)的模型結(jié)構(gòu)并沒(méi)有太大變化。總體來(lái)說(shuō)，端到端技術(shù)解決了輸入序列的長(zhǎng)度遠(yuǎn)大于輸出序列長(zhǎng)度的問(wèn)題。端到端技術(shù)主要分成兩類：一類是CTC方法，另一類是Sequence-to-Sequence方法。傳統(tǒng)語(yǔ)音識(shí)別DNN-HMM架構(gòu)里的聲學(xué)模型，每一幀輸...

那就每家都要建立自己云服務(wù)穩(wěn)定，確保響應(yīng)速度，適配自己所選擇的硬件平臺(tái)，逐項(xiàng)整合具體的內(nèi)容（比如音樂(lè)、有聲讀物）。這從產(chǎn)品方或者解決方案商的視角來(lái)看是不可接受的。這時(shí)候就會(huì)催生相應(yīng)的平臺(tái)服務(wù)商，它要同時(shí)解決技術(shù)、內(nèi)容接入和工程細(xì)節(jié)等問(wèn)題，終達(dá)成試錯(cuò)成本低、體驗(yàn)卻足夠好的目標(biāo)。平臺(tái)服務(wù)并不需要閉門(mén)造車，平臺(tái)服務(wù)的前提是要有能屏蔽產(chǎn)品差異的操作系統(tǒng)，這是AI+IOT的特征，也是有所參照的，亞馬遜過(guò)去近10年里是同步著手做兩件事：一個(gè)是持續(xù)推出面向終端用戶的產(chǎn)品，比如Echo，EchoShow等；一個(gè)是把所有產(chǎn)品所內(nèi)置的系統(tǒng)Alexa進(jìn)行平臺(tái)化，面向設(shè)備端和技能端同步開(kāi)放SDK和調(diào)試發(fā)布...

它將執(zhí)行以下操作：進(jìn)行聲音輸入：“嘿Siri，現(xiàn)在幾點(diǎn)了？”通過(guò)聲學(xué)模型運(yùn)行語(yǔ)音數(shù)據(jù)，將其分解為語(yǔ)音部分。·通過(guò)語(yǔ)言模型運(yùn)行該數(shù)據(jù)。輸出文本數(shù)據(jù)：“嘿Siri，現(xiàn)在幾點(diǎn)了？”在這里，值得一提的是，如果自動(dòng)語(yǔ)音識(shí)別系統(tǒng)是語(yǔ)音用戶界面的一部分，則ASR模型將不是***在運(yùn)行的機(jī)器學(xué)習(xí)模型。許多自動(dòng)語(yǔ)音識(shí)別系統(tǒng)都與自然語(yǔ)言處理(NLP)和文本語(yǔ)音轉(zhuǎn)換(TTS)系統(tǒng)配合使用，以執(zhí)行其給定的角色。也就是說(shuō)，深入研究語(yǔ)音用戶界面本身就是個(gè)完整的話題。要了解更多信息，請(qǐng)查看此文章。那么，現(xiàn)在知道了ASR系統(tǒng)如何運(yùn)作，但需要構(gòu)建什么？建立ASR系統(tǒng)：數(shù)據(jù)的重要性ASR系統(tǒng)應(yīng)該具有靈活性。它需要識(shí)別...

并能產(chǎn)生興趣投身于這個(gè)行業(yè)。語(yǔ)音識(shí)別的技術(shù)歷程現(xiàn)代語(yǔ)音識(shí)別可以追溯到1952年，Davis等人研制了能識(shí)別10個(gè)英文數(shù)字發(fā)音的實(shí)驗(yàn)系統(tǒng)，從此正式開(kāi)啟了語(yǔ)音識(shí)別的進(jìn)程。語(yǔ)音識(shí)別發(fā)展已經(jīng)有70多年，但從技術(shù)方向上可以大體分為三個(gè)階段。從1993年到2017年在Switchboard上語(yǔ)音識(shí)別率的進(jìn)展情況，從圖中也可以看出1993年到2009年，語(yǔ)音識(shí)別一直處于GMM-HMM時(shí)代，語(yǔ)音識(shí)別率提升緩慢，尤其是2000年到2009年語(yǔ)音識(shí)別率基本處于停滯狀態(tài)；2009年隨著深度學(xué)習(xí)技術(shù)，特別是DNN的興起，語(yǔ)音識(shí)別框架變?yōu)镈NN-HMM，語(yǔ)音識(shí)別進(jìn)入了DNN時(shí)代，語(yǔ)音識(shí)別準(zhǔn)率得到了提升；2015...

用來(lái)描述雙重隨機(jī)過(guò)程。HMM有算法成熟、效率高、易于訓(xùn)練等優(yōu)點(diǎn)，被***應(yīng)用于語(yǔ)音識(shí)別、手寫(xiě)字識(shí)別和天氣預(yù)報(bào)等多個(gè)領(lǐng)域，目前仍然是語(yǔ)音識(shí)別中的主流技術(shù)。HMM包含S1、S2、S3、S4和S55個(gè)狀態(tài)，每個(gè)狀態(tài)對(duì)應(yīng)多幀觀察值，這些觀察值是特征序列(o1、o2、o3、o4,...,oT)，沿時(shí)刻t遞增，多樣化而且不局限取值范圍，因此其概率分布不是離散的，而是連續(xù)的。自然界中的很多信號(hào)可用高斯分布表示，包括語(yǔ)音信號(hào)。由于不同人發(fā)音會(huì)存在較大差異，具體表現(xiàn)是，每個(gè)狀態(tài)對(duì)應(yīng)的觀察值序列呈現(xiàn)多樣化，單純用一個(gè)高斯函數(shù)來(lái)刻畫(huà)其分布往往不夠，因此更多的是采用多高斯組合的GMM來(lái)表征更復(fù)雜的分布。這種用...

主流方向是更深更復(fù)雜的神經(jīng)網(wǎng)絡(luò)技術(shù)融合端到端技術(shù)。2018年，科大訊飛提出深度全序列卷積神經(jīng)網(wǎng)絡(luò)（DFCNN），DFCNN使用大量的卷積直接對(duì)整句語(yǔ)音信號(hào)進(jìn)行建模，主要借鑒了圖像識(shí)別的網(wǎng)絡(luò)配置，每個(gè)卷積層使用小卷積核，并在多個(gè)卷積層之后再加上池化層，通過(guò)累積非常多卷積池化層對(duì)，從而可以看到更多的歷史信息。2018年，阿里提出LFR-DFSMN（LowerFrameRate-DeepFeedforwardSequentialMemoryNetworks）。該模型將低幀率算法和DFSMN算法進(jìn)行融合，語(yǔ)音識(shí)別錯(cuò)誤率相比上一代技術(shù)降低20%，解碼速度提升3倍。FSMN通過(guò)在FNN的隱層添加一...

Google將其應(yīng)用于語(yǔ)音識(shí)別領(lǐng)域，取得了非常好的效果，將詞錯(cuò)誤率降低至。如下圖所示，Google提出新系統(tǒng)的框架由三個(gè)部分組成：Encoder編碼器組件，它和標(biāo)準(zhǔn)的聲學(xué)模型相似，輸入的是語(yǔ)音信號(hào)的時(shí)頻特征；經(jīng)過(guò)一系列神經(jīng)網(wǎng)絡(luò)，映射成高級(jí)特征henc，然后傳遞給Attention組件，其使用henc特征學(xué)習(xí)輸入x和預(yù)測(cè)子單元之間的對(duì)齊方式，子單元可以是一個(gè)音素或一個(gè)字。，attention模塊的輸出傳遞給Decoder，生成一系列假設(shè)詞的概率分布，類似于傳統(tǒng)的語(yǔ)言模型。端到端技術(shù)的突破，不再需要HMM來(lái)描述音素內(nèi)部狀態(tài)的變化，而是將語(yǔ)音識(shí)別的所有模塊統(tǒng)一成神經(jīng)網(wǎng)絡(luò)模型，使語(yǔ)音識(shí)別朝...

即識(shí)別準(zhǔn)確率為，相較于2013年的準(zhǔn)確率提升了接近20個(gè)百分點(diǎn)。這種水平的準(zhǔn)確率已經(jīng)接近正常人類。2016年10月18日，微軟語(yǔ)音團(tuán)隊(duì)在Switchboard語(yǔ)音識(shí)別測(cè)試中打破了自己的好成績(jī)，將詞錯(cuò)誤率降低至。次年，微軟語(yǔ)音團(tuán)隊(duì)研究人員通過(guò)改進(jìn)語(yǔ)音識(shí)別系統(tǒng)中基于神經(jīng)網(wǎng)絡(luò)的聲學(xué)模型和語(yǔ)言模型，在之前的基礎(chǔ)上引入了CNN-BLSTM(ConvolutionalNeuralNetworkCombinedwithBidirectionalLongShort-TermMemory，帶有雙向LSTM的卷積神經(jīng)網(wǎng)絡(luò))模型，用于提升語(yǔ)音建模的效果。2017年8月20日，微軟語(yǔ)音團(tuán)隊(duì)再次將這一紀(jì)錄刷新，...

它相對(duì)于GMM-HMM系統(tǒng)并沒(méi)有什么優(yōu)勢(shì)可言，研究人員還是更傾向于基于統(tǒng)計(jì)模型的方法。在20世紀(jì)80年代還有一個(gè)值得一提的事件，美國(guó)3eec6ee2-7378-4724-83b5-9b技術(shù)署(NIST)在1987年di一次舉辦了NIST評(píng)測(cè)，這項(xiàng)評(píng)測(cè)在后來(lái)成為了全球語(yǔ)音評(píng)測(cè)。20世紀(jì)90年代，語(yǔ)音識(shí)別進(jìn)入了一個(gè)技術(shù)相對(duì)成熟的時(shí)期，主流的GMM-HMM框架得到了更廣的應(yīng)用，在領(lǐng)域中的地位越發(fā)穩(wěn)固。聲學(xué)模型的說(shuō)話人自適應(yīng)(SpeakerAdaptation)方法和區(qū)分性訓(xùn)練(DiscriminativeTraining)準(zhǔn)則的提出，進(jìn)一步提升了語(yǔ)音識(shí)別系統(tǒng)的性能。1994年提出的大后驗(yàn)概率...

自2015年以來(lái)，谷歌、亞馬遜、百度等公司陸續(xù)開(kāi)始了對(duì)CTC模型的研發(fā)和使用，并且都獲得了不錯(cuò)的性能提升。2014年，基于Attention(注意力機(jī)制)的端到端技術(shù)在機(jī)器翻譯領(lǐng)域中得到了廣的應(yīng)用并取得了較好的實(shí)驗(yàn)結(jié)果，之后很快被大規(guī)模商用。于是，JanChorowski在2015年將Attention的應(yīng)用擴(kuò)展到了語(yǔ)音識(shí)別領(lǐng)域，結(jié)果大放異彩。在近的兩年里，有一種稱為Seq2Seq(SequencetoSequence)的基于Attention的語(yǔ)音識(shí)別模型在學(xué)術(shù)界引起了極大的關(guān)注，相關(guān)的研究取得了較大的進(jìn)展。在加拿大召開(kāi)的國(guó)際智能語(yǔ)音領(lǐng)域的會(huì)議ICASSP2018上，谷歌公司發(fā)表的研...

智能音箱玩家們對(duì)這款產(chǎn)品的認(rèn)識(shí)還都停留在：亞馬遜出了一款叫Echo的產(chǎn)品，功能和Siri類似。先行者科大訊飛叮咚音箱的出師不利，更是加重了其它人的觀望心態(tài)。真正讓眾多玩家從觀望轉(zhuǎn)為積極參與的轉(zhuǎn)折點(diǎn)是逐步曝光的Echo銷量，2016年底，Echo近千萬(wàn)的美國(guó)銷量讓整個(gè)世界震驚。這是智能設(shè)備從未達(dá)到過(guò)的高點(diǎn)，在Echo以前除了AppleWatch與手環(huán)，像恒溫器、攝像頭這樣的產(chǎn)品突破百萬(wàn)銷量已是驚人表現(xiàn)。這種銷量以及智能音箱的AI屬性促使2016年下半年，國(guó)內(nèi)各大巨頭幾乎是同時(shí)轉(zhuǎn)變應(yīng)有的態(tài)度，積極打造自己的智能音箱。未來(lái)，回看整個(gè)發(fā)展歷程，2019年是一個(gè)明確的分界點(diǎn)。在此之前，全行業(yè)是突...

技術(shù)和產(chǎn)業(yè)之間形成了比較好的正向迭代效應(yīng)，落地場(chǎng)景越多，得到的真實(shí)數(shù)據(jù)越多，挖掘的用戶需求也更準(zhǔn)確，這幫助了語(yǔ)音識(shí)別技術(shù)快速進(jìn)步，也基本滿足了產(chǎn)業(yè)需求，解決了很多實(shí)際問(wèn)題，這也是語(yǔ)音識(shí)別相對(duì)其他AI技術(shù)為明顯的優(yōu)勢(shì)。不過(guò)，我們也要看到，語(yǔ)音識(shí)別的內(nèi)涵必須不斷擴(kuò)展，狹義語(yǔ)音識(shí)別必須走向廣義語(yǔ)音識(shí)別，致力于讓機(jī)器聽(tīng)懂人類語(yǔ)言，這才能將語(yǔ)音識(shí)別研究帶到更高維度。我們相信，多技術(shù)、多學(xué)科、多傳感的融合化將是未來(lái)人工智能發(fā)展的主流趨勢(shì)。在這種趨勢(shì)下，我們還有很多未來(lái)的問(wèn)題需要探討，比如鍵盤(pán)、鼠標(biāo)、觸摸屏和語(yǔ)音交互的關(guān)系怎么變化？搜索、電商、社交是否再次重構(gòu)？硬件是否逆襲變得比軟件更加重要？產(chǎn)業(yè)鏈中...

一直推崇的是Chain模型。該模型是一種類似于CTC的技術(shù)，建模單元相比于傳統(tǒng)的狀態(tài)要更粗顆粒一些，只有兩個(gè)狀態(tài)，一個(gè)狀態(tài)是CDPhone，另一個(gè)是CDPhone的空白，訓(xùn)練方法采用的是Lattice-FreeMMI訓(xùn)練。該模型結(jié)構(gòu)可以采用低幀率的方式進(jìn)行解碼，解碼幀率為傳統(tǒng)神經(jīng)網(wǎng)絡(luò)聲學(xué)模型的三分之一，而準(zhǔn)確率相比于傳統(tǒng)模型有非常的提升。遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別技術(shù)主要解決真實(shí)場(chǎng)景下舒適距離內(nèi)人機(jī)任務(wù)對(duì)話和服務(wù)的問(wèn)題，是2015年以后開(kāi)始興起的技術(shù)。由于遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別解決了復(fù)雜環(huán)境下的識(shí)別問(wèn)題，在智能家居、智能汽車、智能會(huì)議、智能安防等實(shí)際場(chǎng)景中獲得了廣泛應(yīng)用。目前國(guó)內(nèi)遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別的技術(shù)框架以前...

DFCNN使用大量的卷積直接對(duì)整句語(yǔ)音信號(hào)進(jìn)行建模，主要借鑒了圖像識(shí)別的網(wǎng)絡(luò)配置，每個(gè)卷積層使用小卷積核，并在多個(gè)卷積層之后再加上池化層，通過(guò)累積非常多卷積池化層對(duì)，從而可以看到更多的歷史信息。2018年，阿里提出LFR-DFSMN（LowerFrameRate-DeepFeedforwardSequentialMemoryNetworks）。該模型將低幀率算法和DFSMN算法進(jìn)行融合，語(yǔ)音識(shí)別錯(cuò)誤率相比上一代技術(shù)降低20%，解碼速度提升3倍。FSMN通過(guò)在FNN的隱層添加一些可學(xué)習(xí)的記憶模塊，從而可以有效的對(duì)語(yǔ)音的長(zhǎng)時(shí)相關(guān)性進(jìn)行建模。而DFSMN是通過(guò)跳轉(zhuǎn)避免深層網(wǎng)絡(luò)的梯度消失問(wèn)...

因此在平臺(tái)服務(wù)上反倒是可以主推一些更為面向未來(lái)、有特色的基礎(chǔ)服務(wù)，比如兼容性方面新興公司做的會(huì)更加徹底，這種兼容性對(duì)于一套產(chǎn)品同時(shí)覆蓋國(guó)內(nèi)國(guó)外市場(chǎng)是相當(dāng)有利的。類比過(guò)去的Android，語(yǔ)音交互的平臺(tái)提供商們其實(shí)面臨更大的挑戰(zhàn)，發(fā)展過(guò)程可能會(huì)更加的曲折。過(guò)去經(jīng)常被提到的操作系統(tǒng)的概念在智能語(yǔ)音交互背景下事實(shí)上正被賦予新的內(nèi)涵，它日益被分成兩個(gè)不同但必須緊密結(jié)合的部分。過(guò)去的Linux以及各種變種承擔(dān)的是功能型操作系統(tǒng)的角色，而以Alexa的新型系統(tǒng)則承擔(dān)的則是智能型系統(tǒng)的角色。前者完成完整的硬件和資源的抽象和管理，后者則讓這些硬件以及資源得到具體的應(yīng)用，兩者相結(jié)合才能輸出終用戶可感知的...

LSTM通過(guò)輸入門(mén)、輸出門(mén)和遺忘門(mén)可以更好的控制信息的流動(dòng)和傳遞，具有長(zhǎng)短時(shí)記憶能力。雖然LSTM的計(jì)算復(fù)雜度會(huì)比DNN增加，但其整體性能比DNN有相對(duì)20%左右穩(wěn)定提升。BLSTM是在LSTM基礎(chǔ)上做的進(jìn)一步改進(jìn)，考慮語(yǔ)音信號(hào)的歷史信息對(duì)當(dāng)前幀的影響，還要考慮未來(lái)信息對(duì)當(dāng)前幀的影響，因此其網(wǎng)絡(luò)中沿時(shí)間軸存在正向和反向兩個(gè)信息傳遞過(guò)程，這樣該模型可以更充分考慮上下文對(duì)于當(dāng)前語(yǔ)音幀的影響，能夠極大提高語(yǔ)音狀態(tài)分類的準(zhǔn)確率。BLSTM考慮未來(lái)信息的代價(jià)是需要進(jìn)行句子級(jí)更新，模型訓(xùn)練的收斂速度比較慢，同時(shí)也會(huì)帶來(lái)解碼的延遲，對(duì)于這些問(wèn)題，業(yè)屆都進(jìn)行了工程優(yōu)化與改進(jìn)，即使現(xiàn)在仍然有很多大公司使...

使用語(yǔ)音識(shí)別功能之前，先按照說(shuō)明書(shū)安裝百度語(yǔ)音輸入軟件。在瀏覽器中輸入VOICEM380底部的軟件下載鏈接，就可以直接進(jìn)入軟件下載界面了，清晰簡(jiǎn)單，自行選擇win版/Mac版，跟著界面提示一部一部操作就ok。中間綁定手機(jī)/郵箱賬號(hào)，接收驗(yàn)證碼，輸入VOICEM380底部的***碼。安裝流程就結(jié)束了，讓我們來(lái)試試神奇的語(yǔ)音識(shí)別~先試了一下普通話模式，據(jù)官方說(shuō)，每分鐘可聽(tīng)寫(xiě)約400字，準(zhǔn)確率高達(dá)98%。特意找了一段聽(tīng)起來(lái)十分晦澀、拗口的話來(lái)測(cè)試，先清點(diǎn)VOICEM380的語(yǔ)音識(shí)別鍵。此時(shí)電腦右下角出現(xiàn)小彈框，進(jìn)入語(yǔ)音接收階段。以正常語(yǔ)速隨便讀了一下，轉(zhuǎn)化效果非常好，實(shí)現(xiàn)零誤差；而且對(duì)于智能...

解碼就是在該空間進(jìn)行搜索的過(guò)程。由于該理論相對(duì)成熟，更多的是工程優(yōu)化的問(wèn)題，所以不論是學(xué)術(shù)還是產(chǎn)業(yè)目前關(guān)注的較少。語(yǔ)音識(shí)別的技術(shù)趨勢(shì)語(yǔ)音識(shí)別主要趨于遠(yuǎn)場(chǎng)化和融合化的方向發(fā)展，但在遠(yuǎn)場(chǎng)可靠性還有很多難點(diǎn)沒(méi)有突破，比如多輪交互、多人噪雜等場(chǎng)景還有待突破，還有需求較為迫切的人聲分離等技術(shù)。新的技術(shù)應(yīng)該徹底解決這些問(wèn)題，讓機(jī)器聽(tīng)覺(jué)遠(yuǎn)超人類的感知能力。這不能只是算法的進(jìn)步，需要整個(gè)產(chǎn)業(yè)鏈的共同技術(shù)升級(jí)，包括更為先進(jìn)的傳感器和算力更強(qiáng)的芯片。單從遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別技術(shù)來(lái)看，仍然存在很多挑戰(zhàn)，包括：（1）回聲消除技術(shù)。由于喇叭非線性失真的存在，單純依靠信號(hào)處理手段很難將回聲消除干凈，這也阻礙了語(yǔ)音交互...

聽(tīng)到人類聽(tīng)不到的世界。語(yǔ)音識(shí)別的產(chǎn)業(yè)歷程語(yǔ)音識(shí)別這半個(gè)多世紀(jì)的產(chǎn)業(yè)歷程中，其有三個(gè)關(guān)鍵節(jié)點(diǎn)，兩個(gè)和技術(shù)有關(guān)，一個(gè)和應(yīng)用有關(guān)。，開(kāi)發(fā)了個(gè)基于模型的語(yǔ)音識(shí)別系統(tǒng)，當(dāng)時(shí)實(shí)現(xiàn)這一系統(tǒng)。雖然混合高斯模型效果得到持續(xù)改善，而被應(yīng)用到語(yǔ)音識(shí)別中，并且確實(shí)提升了語(yǔ)音識(shí)別的效果，但實(shí)際上語(yǔ)音識(shí)別已經(jīng)遭遇了技術(shù)天花板，識(shí)別的準(zhǔn)確率很難超過(guò)90%。很多人可能還記得，都曾經(jīng)推出和語(yǔ)音識(shí)別相關(guān)的軟件，但終并未取得成功。第二個(gè)關(guān)鍵節(jié)點(diǎn)是深度學(xué)習(xí)被系統(tǒng)應(yīng)用到語(yǔ)音識(shí)別領(lǐng)域中。這導(dǎo)致識(shí)別的精度再次大幅提升，終突破90%，并且在標(biāo)準(zhǔn)環(huán)境下逼近98%。有意思的是，盡管技術(shù)取得了突破，也涌現(xiàn)出了一些與此相關(guān)的產(chǎn)品，但與其...

沒(méi)有任何一個(gè)公司可以全線打造所有的產(chǎn)品。語(yǔ)音識(shí)別的產(chǎn)業(yè)趨勢(shì)當(dāng)語(yǔ)音產(chǎn)業(yè)需求四處開(kāi)花的同時(shí)，行業(yè)的發(fā)展速度反過(guò)來(lái)會(huì)受限于平臺(tái)服務(wù)商的供給能力。跳出具體案例來(lái)看，行業(yè)下一步發(fā)展的本質(zhì)邏輯是：在具體每個(gè)點(diǎn)的投入產(chǎn)出是否達(dá)到一個(gè)普遍接受的界限。離這個(gè)界限越近，行業(yè)就越會(huì)接近滾雪球式發(fā)展的臨界點(diǎn)，否則整體增速就會(huì)相對(duì)平緩。不管是家居、金融、教育或者其他場(chǎng)景，如果解決問(wèn)題都是非常高投入并且長(zhǎng)周期的事情，那對(duì)此承擔(dān)成本的一方就會(huì)猶豫，這相當(dāng)于試錯(cuò)成本過(guò)高。如果投入后，沒(méi)有可感知的新體驗(yàn)或者銷量促進(jìn)，那對(duì)此承擔(dān)成本的一方也會(huì)猶豫，顯然這會(huì)影響值不值得上的判斷。而這兩個(gè)事情，歸根結(jié)底都必須由平臺(tái)方解決，產(chǎn)...

取距離近的樣本所對(duì)應(yīng)的詞標(biāo)注為該語(yǔ)音信號(hào)的發(fā)音。該方法對(duì)解決孤立詞識(shí)別是有效的，但對(duì)于大詞匯量、非特定人連續(xù)語(yǔ)音識(shí)別就無(wú)能為力。因此，進(jìn)入80年代后，研究思路發(fā)生了重大變化，從傳統(tǒng)的基于模板匹配的技術(shù)思路開(kāi)始轉(zhuǎn)向基于統(tǒng)計(jì)模型（HMM）的技術(shù)思路。HMM的理論基礎(chǔ)在1970年前后就已經(jīng)由Baum等人建立起來(lái)，隨后由CMU的Baker和IBM的Jelinek等人將其應(yīng)用到語(yǔ)音識(shí)別當(dāng)中。HMM模型假定一個(gè)音素含有3到5個(gè)狀態(tài)，同一狀態(tài)的發(fā)音相對(duì)穩(wěn)定，不同狀態(tài)間是可以按照一定概率進(jìn)行跳轉(zhuǎn)；某一狀態(tài)的特征分布可以用概率模型來(lái)描述，使用***的模型是GMM。因此GMM-HMM框架中，HMM描述的是...

英國(guó)倫敦大學(xué)的科學(xué)家Fry和Denes等人di一次利用統(tǒng)計(jì)學(xué)的原理構(gòu)建出了一個(gè)可以識(shí)別出4個(gè)元音和9個(gè)輔音的音素識(shí)別器。在同一年，美國(guó)麻省理工學(xué)院林肯實(shí)驗(yàn)室的研究人員則shou次實(shí)現(xiàn)了可以針對(duì)非特定人的可識(shí)別10個(gè)元音音素的識(shí)別器。語(yǔ)音識(shí)別技術(shù)的發(fā)展歷史，主要包括模板匹配、統(tǒng)計(jì)模型和深度學(xué)習(xí)三個(gè)階段。di一階段：模板匹配(DTW)20世紀(jì)60年代，一些重要的語(yǔ)音識(shí)別的經(jīng)典理論先后被提出和發(fā)表出來(lái)。1964年，Martin為了解決語(yǔ)音時(shí)長(zhǎng)不一致的問(wèn)題，提出了一種時(shí)間歸一化的方法，該方法可以可靠地檢測(cè)出語(yǔ)音的端點(diǎn)，這可以有效地降低語(yǔ)音時(shí)長(zhǎng)對(duì)識(shí)別結(jié)果的影響，使語(yǔ)音識(shí)別結(jié)果的可變性減小了。19...

DFCNN使用大量的卷積直接對(duì)整句語(yǔ)音信號(hào)進(jìn)行建模，主要借鑒了圖像識(shí)別的網(wǎng)絡(luò)配置，每個(gè)卷積層使用小卷積核，并在多個(gè)卷積層之后再加上池化層，通過(guò)累積非常多卷積池化層對(duì)，從而可以看到更多的歷史信息。2018年，阿里提出LFR-DFSMN（LowerFrameRate-DeepFeedforwardSequentialMemoryNetworks）。該模型將低幀率算法和DFSMN算法進(jìn)行融合，語(yǔ)音識(shí)別錯(cuò)誤率相比上一代技術(shù)降低20%，解碼速度提升3倍。FSMN通過(guò)在FNN的隱層添加一些可學(xué)習(xí)的記憶模塊，從而可以有效的對(duì)語(yǔ)音的長(zhǎng)時(shí)相關(guān)性進(jìn)行建模。而DFSMN是通過(guò)跳轉(zhuǎn)避免深層網(wǎng)絡(luò)的梯度消失問(wèn)...

將相似度高的模式所屬的類別作為識(shí)別中間候選結(jié)果輸出。為了提高識(shí)別的正確率，在后處理模塊中對(duì)上述得到的候選識(shí)別結(jié)果繼續(xù)處理，包括通過(guò)Lattice重打分融合更高元的語(yǔ)言模型、通過(guò)置信度度量得到識(shí)別結(jié)果的可靠程度等。終通過(guò)增加約束，得到更可靠的識(shí)別結(jié)果。語(yǔ)音識(shí)別的技術(shù)有哪些？語(yǔ)音識(shí)別技術(shù)=早期基于信號(hào)處理和模式識(shí)別+機(jī)器學(xué)習(xí)+深度學(xué)習(xí)+數(shù)值分析+高性能計(jì)算+自然語(yǔ)言處理語(yǔ)音識(shí)別技術(shù)的發(fā)展可以說(shuō)是有一定的歷史背景，上世紀(jì)80年代，語(yǔ)音識(shí)別研究的重點(diǎn)已經(jīng)開(kāi)始逐漸轉(zhuǎn)向大詞匯量、非特定人連續(xù)語(yǔ)音識(shí)別。到了90年代以后，語(yǔ)音識(shí)別并沒(méi)有什么重大突破，直到大數(shù)據(jù)與深度神經(jīng)網(wǎng)絡(luò)時(shí)代的到來(lái)，語(yǔ)音識(shí)別技術(shù)才取...

2）初始化離線引擎：初始化訊飛離線語(yǔ)音庫(kù)，根據(jù)本地生成的語(yǔ)法文檔，構(gòu)建語(yǔ)法網(wǎng)絡(luò)，輸入語(yǔ)音識(shí)別器中；（3）初始化聲音驅(qū)動(dòng)：根據(jù)離線引擎的要求，初始化ALSA庫(kù)；（4）啟動(dòng)數(shù)據(jù)采集：如果有用戶有語(yǔ)音識(shí)別請(qǐng)求，語(yǔ)音控制模塊啟動(dòng)實(shí)時(shí)語(yǔ)音采集程序；（5）靜音切除：在語(yǔ)音數(shù)據(jù)的前端，可能存在部分靜音數(shù)據(jù)，ALSA庫(kù)開(kāi)啟靜音檢測(cè)功能，將靜音數(shù)據(jù)切除后傳送至語(yǔ)音識(shí)別引擎；（6）語(yǔ)音識(shí)別狀態(tài)檢測(cè)：語(yǔ)音控制模塊定時(shí)檢測(cè)引擎系統(tǒng)的語(yǔ)音識(shí)別狀態(tài)，當(dāng)離線引擎有結(jié)果輸出時(shí)，提取語(yǔ)音識(shí)別結(jié)果；（7）結(jié)束語(yǔ)音采集：語(yǔ)音控制模塊通知ALSA，終止實(shí)時(shí)語(yǔ)音數(shù)據(jù)的采集；（8）語(yǔ)義解析：語(yǔ)音控制模塊根據(jù)語(yǔ)音識(shí)別的結(jié)果，完...

語(yǔ)音識(shí)別在噪聲中比在安靜的環(huán)境下要難得多。目前主流的技術(shù)思路是，通過(guò)算法提升降低誤差。首先，在收集的原始語(yǔ)音中，提取抗噪性較高的語(yǔ)音特征。然后，在模型訓(xùn)練的時(shí)候，結(jié)合噪聲處理算法訓(xùn)練語(yǔ)音模型，使模型在噪聲環(huán)境里的魯棒性較高。在語(yǔ)音解碼的過(guò)程中進(jìn)行多重選擇，從而提高語(yǔ)音識(shí)別在噪聲環(huán)境中的準(zhǔn)確率。完全消除噪聲的干擾，目前而言，還停留在理論層面。（3）模型的有效性識(shí)別系統(tǒng)中的語(yǔ)言模型、詞法模型在大詞匯量、連續(xù)語(yǔ)音識(shí)別中還不能完全正確的發(fā)揮作用，需要有效地結(jié)合語(yǔ)言學(xué)、心理學(xué)及生理學(xué)等其他學(xué)科的知識(shí)。并且，語(yǔ)音識(shí)別系統(tǒng)從實(shí)驗(yàn)室演示系統(tǒng)向商品的轉(zhuǎn)化過(guò)程中還有許多具體細(xì)節(jié)技術(shù)問(wèn)題需要解決。智能語(yǔ)音識(shí)...

而解決后者則更像應(yīng)用商店的開(kāi)發(fā)者。這里面蘊(yùn)含著巨大的挑戰(zhàn)和機(jī)遇。在過(guò)去功能型操作系統(tǒng)的打造過(guò)程中，國(guó)內(nèi)的程序員們更多的是使用者的角色，但智能型操作系統(tǒng)雖然也可以參照其他，但這次必須自己來(lái)從頭打造完整的系統(tǒng)。（國(guó)外巨頭不管在中文相關(guān)的技術(shù)上還是內(nèi)容整合上事實(shí)上都非常薄弱，不存在國(guó)內(nèi)市場(chǎng)的可能性）隨著平臺(tái)服務(wù)商兩邊的問(wèn)題解決的越來(lái)越好，基礎(chǔ)的計(jì)算模式則會(huì)逐漸發(fā)生改變，人們的數(shù)據(jù)消費(fèi)模式會(huì)與不同。個(gè)人的計(jì)算設(shè)備（當(dāng)前主要是手機(jī)、筆記本、Pad）會(huì)根據(jù)不同場(chǎng)景進(jìn)一步分化。比如在車上、家里、工作場(chǎng)景、路上、業(yè)務(wù)辦理等會(huì)根據(jù)地點(diǎn)和業(yè)務(wù)進(jìn)行分化。但分化的同時(shí)背后的服務(wù)則是統(tǒng)一的，每個(gè)人可以自由的根據(jù)...