福建汽車語音識別

    聽到人類聽不到的世界。語音識別的產(chǎn)業(yè)歷程語音識別這半個多世紀的產(chǎn)業(yè)歷程中，其有三個關鍵節(jié)點，兩個和技術有關，一個和應用有關。，開發(fā)了個基于模型的語音識別系統(tǒng)，當時實現(xiàn)這一系統(tǒng)。雖然混合高斯模型效果得到持續(xù)改善，而被應用到語音識別中，并且確實提升了語音識別的效果，但實際上語音識別已經(jīng)遭遇了技術天花板，識別的準確率很難超過90%。很多人可能還記得，都曾經(jīng)推出和語音識別相關的軟件，但終并未取得成功。第二個關鍵節(jié)點是深度學習被系統(tǒng)應用到語音識別領域中。這導致識別的精度再次大幅提升，終突破90%，并且在標準環(huán)境下逼近98%。有意思的是，盡管技術取得了突破，也涌現(xiàn)出了一些與此相關的產(chǎn)品，但與其引起的關注度相比，這些產(chǎn)品實際取得的成績則要遜色得多。剛一面世的時候，這會對搜索業(yè)務產(chǎn)生根本性威脅，但事實上直到的面世，這種根本性威脅才真的有了具體的載體。第三個關鍵點正是出現(xiàn)。

     語音識別模塊被廣泛應用在AI人工智能產(chǎn)品、智能家居遙控、智能玩具等多種領域上。福建汽車語音識別

    即識別準確率為，相較于2013年的準確率提升了接近20個百分點。這種水平的準確率已經(jīng)接近正常人類。2016年10月18日，微軟語音團隊在Switchboard語音識別測試中打破了自己的好成績，將詞錯誤率降低至。次年，微軟語音團隊研究人員通過改進語音識別系統(tǒng)中基于神經(jīng)網(wǎng)絡的聲學模型和語言模型，在之前的基礎上引入了CNN-BLSTM(ConvolutionalNeuralNetworkCombinedwithBidirectionalLongShort-TermMemory，帶有雙向LSTM的卷積神經(jīng)網(wǎng)絡)模型，用于提升語音建模的效果。2017年8月20日，微軟語音團隊再次將這一紀錄刷新，在Switchboard測試中將詞錯誤率從，即識別準確率達到，與谷歌一起成為了行業(yè)。另外，亞馬遜(Amazon)公司在語音行業(yè)可謂后發(fā)制人，其在2014年底正式推出了Echo智能音箱，并通過該音箱搭載的Alexa語音助理，為使用者提供種種應用服務。Echo智能音箱一經(jīng)推出，在消費市場上取得了巨大的成功。如今已成為美國使用廣的智能家居產(chǎn)品，至今累計銷量已超過2000萬臺。投資機構(gòu)摩根士丹利分析師稱智能音箱是繼iPad之后"成功的消費電子產(chǎn)品"。國內(nèi)語音識別現(xiàn)狀國內(nèi)早的語音識別研究開始于1958年，中國科學院聲學所研究出一種電子管電路，該電子管可以識別10個元音。1973年。湖北云語音識別語音識別技術在個人助理、智能家居等很多領域都有運用到。

    美國**部下屬的一個名為美國**高級研究計劃局(DefenseAdvancedResearchProjectsAgency，DARPA)的行政機構(gòu)，在20世紀70年代介入語音領域，開始資助一項旨在支持語言理解系統(tǒng)的研究開發(fā)工作的10年戰(zhàn)略計劃。在該計劃推動下，誕生了一系列不錯的研究成果，如卡耐基梅隆大學推出了Harpy系統(tǒng)，其能識別1000多個單詞且有不錯的識別率。第二階段：統(tǒng)計模型(GMM-HMM)到了20世紀80年代，更多的研究人員開始從對孤立詞識別系統(tǒng)的研究轉(zhuǎn)向?qū)Υ笤~匯量連續(xù)語音識別系統(tǒng)的研究，并且大量的連續(xù)語音識別算法應運而生，例如分層構(gòu)造(LevelBuilding)算法等。同時，20世紀80年代的語音識別研究相較于20世紀70年代，另一個變化是基于統(tǒng)計模型的技術逐漸替代了基于模板匹配的技術。統(tǒng)計模型兩項很重要的成果是聲學模型和語言模型，語言模型以n元語言模型(n-gram)，聲學模型以HMM。HMM的理論基礎在1970年前后由Baum等人建立，隨后由卡耐基梅隆大學(CMU)的Baker和IBM的Jelinek等人應用到語音識別中。在20世紀80年代中期，Bell實驗室的.Rabiner等人對HMM進行了深入淺出的介紹。并出版了語音識別專著FundamentalsofSpeechRecognition，有力地推動了HMM在語音識別中的應用。

    我們來看一個簡單的例子，假設詞典包含：jin1tian1語音識別過程則"jin天"的詞HMM由"j"、"in1"、"t"和"ian1"四個音素HMM串接而成，形成一個完整的模型以進行解碼識別。這個解碼過程可以找出每個音素的邊界信息，即每個音素(包括狀態(tài))對應哪些觀察值(特征向量)，均可以匹配出來。音素狀態(tài)與觀察值之間的匹配關系用概率值衡量，可以用高斯分布或DNN來描述。從句子到狀態(tài)序列的分解過程語音識別任務有簡單的孤立詞識別，也有復雜的連續(xù)語音識別，工業(yè)應用普遍要求大詞匯量連續(xù)語音識別(LVCSR)。主流的語音識別系統(tǒng)框架。對輸入的語音提取聲學特征后，得到一序列的觀察值向量，再將它們送到解碼器識別，后得到識別結(jié)果。解碼器一般是基于聲學模型、語言模型和發(fā)音詞典等知識源來識別的，這些知識源可以在識別過程中動態(tài)加載，也可以預先編譯成統(tǒng)一的靜態(tài)網(wǎng)絡，在識別前一次性加載。發(fā)音詞典要事先設計好，而聲學模型需要由大批量的語音數(shù)據(jù)(涉及各地口音、不同年齡、性別、語速等方面)訓練而成，語言模型則由各種文本語料訓練而成。為保證識別效果，每個部分都需要精細的調(diào)優(yōu)，因此對系統(tǒng)研發(fā)人員的專業(yè)背景有較高的要求。其識別精度和速度都達不到實際應用的要求。

    但依然流暢、準確。整體使用下來，直觀感受是在語音輸入的大前提下、結(jié)合了谷歌翻譯等類似的翻譯軟件，實時翻譯、準翻譯。在這兩種模式下，完成輸入后，同樣可以像普通話模式一樣，輕點VOICEM380語音識別鍵，對內(nèi)容進行終的整合調(diào)整。同樣，準確度相當ok。我挑戰(zhàn)了一下，普通話模式在輸入長度上的極限。快速讀了一段文字，單次普通話模式的輸入極限是一分零三秒、316個字符。時長上完全實現(xiàn)了官方的宣傳，字符長度上，目測是因為個人語速不夠，而受到了限制。類似的，我測試了一下，VOICEM380語音識別功能在距離上的極限。在相同語速、相同音量下，打開語音識別功能，不斷后退，在聲源與電腦中間不存在障礙的情況下，方圓三米的距離是完全不會影響這個功能實現(xiàn)的。由此可以看到，在一個小型會議室，羅技VOICEM380的語音識別功能，是完全可以很好的輔助會議記錄的。有關M380語音識別功能三大模式之間的轉(zhuǎn)換，也是非常便捷。單擊VOICEM380語音識別鍵，如出現(xiàn)的一模式并非我們所需要的模式，只需輕輕雙擊VOICEM380語音識別鍵，即可瞬間切換至下一模式；再次啟動輸入功能時，會自動優(yōu)先彈出上次結(jié)束的功能。有關M380后要強調(diào)的一點，便是它的離在線融合模式。原理語音識別技術是讓機器通過識別把語音信號轉(zhuǎn)變?yōu)槲谋?，進而通過理解轉(zhuǎn)變?yōu)橹噶畹募夹g。福建汽車語音識別

語音識別在移動端和音箱的應用上為火熱，語音聊天機器人、語音助手等軟件層出不窮。福建汽車語音識別

    業(yè)界大部分都是按照靜態(tài)解碼的方式進行，即將聲學模型和語言模型構(gòu)造成WFST網(wǎng)絡，該網(wǎng)絡包含了所有可能路徑，解碼就是在該空間進行搜索的過程。由于該理論相對成熟，更多的是工程優(yōu)化的問題，所以不論是學術還是產(chǎn)業(yè)目前關注的較少。語音識別的技術趨勢語音識別主要趨于遠場化和融合化的方向發(fā)展，但在遠場可靠性還有很多難點沒有突破，比如多輪交互、多人噪雜等場景還有待突破，還有需求較為迫切的人聲分離等技術。新的技術應該徹底解決這些問題，讓機器聽覺遠超人類的感知能力。這不能只是算法的進步，需要整個產(chǎn)業(yè)鏈的共同技術升級，包括更為先進的傳感器和算力更強的芯片。單從遠場語音識別技術來看，仍然存在很多挑戰(zhàn)，包括：（1）回聲消除技術。由于喇叭非線性失真的存在，單純依靠信號處理手段很難將回聲消除干凈，這也阻礙了語音交互系統(tǒng)的推廣，現(xiàn)有的基于深度學習的回聲消除技術都沒有考慮相位信息，直接求取的是各個頻帶上的增益，能否利用深度學習將非線性失真進行擬合，同時結(jié)合信號處理手段可能是一個好的方向。（2）噪聲下的語音識別仍有待突破。信號處理擅長處理線性問題，深度學習擅長處理非線性問題，而實際問題一定是線性和非線性的疊加。福建汽車語音識別