DBN），促使了深度神經(jīng)網(wǎng)絡(luò)（DNN）研究的復(fù)蘇。2009年，Hinton將DNN應(yīng)用于語音的聲學(xué)建模，在TIMIT上獲得了當(dāng)時比較好的結(jié)果。2011年底，微軟研究院的俞棟、鄧力又把DNN技術(shù)應(yīng)用在了大詞匯量連續(xù)語音識別任務(wù)上，降低了語音識別錯誤率。從此語音識別進入DNN-HMM時代。DNN-HMM主要是用DNN模型代替原來的GMM模型，對每一個狀態(tài)進行建模，DNN帶來的好處是不再需要對語音數(shù)據(jù)分布進行假設(shè)，將相鄰的語音幀拼接又包含了語音的時序結(jié)構(gòu)信息，使得對于狀態(tài)的分類概率有了明顯提升，同時DNN還具有強大環(huán)境學(xué)習(xí)能力，可以提升對噪聲和口音的魯棒性。簡單來說，DNN就是給出輸入的一串特征所對應(yīng)的狀態(tài)概率。由于語音信號是連續(xù)的，不僅各個音素、音節(jié)以及詞之間沒有明顯的邊界，各個發(fā)音單位還會受到上下文的影響。雖然拼幀可以增加上下文信息，但對于語音來說還是不夠。而遞歸神經(jīng)網(wǎng)絡(luò)（RNN）的出現(xiàn)可以記住更多歷史信息，更有利于對語音信號的上下文信息進行建模。由于簡單的RNN存在梯度和梯度消散問題，難以訓(xùn)練，無法直接應(yīng)用于語音信號建模上，因此學(xué)者進一步探索，開發(fā)出了很多適合語音建模的RNN結(jié)構(gòu)，其中有名的就是LSTM。
語音識別自半個世紀(jì)前誕生以來，一直處于不溫不火的狀態(tài)。廣州無限語音識別特征
而解決后者則更像應(yīng)用商店的開發(fā)者。這里面蘊含著巨大的挑戰(zhàn)和機遇。在過去功能型操作系統(tǒng)的打造過程中，國內(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，但這次必須自己來從頭打造完整的系統(tǒng)。（國外巨頭不管在中文相關(guān)的技術(shù)上還是內(nèi)容整合上事實上都非常薄弱，不存在國內(nèi)市場的可能性）隨著平臺服務(wù)商兩邊的問題解決的越來越好，基礎(chǔ)的計算模式則會逐漸發(fā)生改變，人們的數(shù)據(jù)消費模式會與不同。個人的計算設(shè)備（當(dāng)前主要是手機、筆記本、Pad）會根據(jù)不同場景進一步分化。比如在車上、家里、工作場景、路上、業(yè)務(wù)辦理等會根據(jù)地點和業(yè)務(wù)進行分化。但分化的同時背后的服務(wù)則是統(tǒng)一的，每個人可以自由的根據(jù)場景做設(shè)備的遷移，背后的服務(wù)雖然會針對不同的場景進行優(yōu)化，但在個人偏好這樣的點上則是統(tǒng)一的。人與數(shù)字世界的接口，在現(xiàn)在越來越統(tǒng)一于具體的產(chǎn)品形態(tài)（比如手機），但隨著智能型系統(tǒng)的出現(xiàn)，這種統(tǒng)一則會越來越統(tǒng)一于系統(tǒng)本身。作為結(jié)果這會帶來數(shù)據(jù)化程度的持續(xù)加深，我們越來越接近一個數(shù)據(jù)化的世界。總結(jié)從技術(shù)進展和產(chǎn)業(yè)發(fā)展來看，語音識別雖然還不能解決無限制場景、無限制人群的通用識別問題。廣州新一代語音識別設(shè)計語音識別包括兩個階段:訓(xùn)練和識別。
語音識別技術(shù)飛速發(fā)展，又取得了幾個突破性的進展。1970年，來自前蘇聯(lián)的Velichko和Zagoruyko將模式識別的概念引入語音識別中。同年，Itakura提出了線性預(yù)測編碼(LinearPredictiveCoding，LPC)技術(shù)，并將該技術(shù)應(yīng)用于語音識別。1978年，日本人Sakoe和Chiba在前蘇聯(lián)科學(xué)家Vintsyuk的工作基礎(chǔ)上，成功地使用動態(tài)規(guī)劃算法將兩段不同長度的語音在時間軸上進行了對齊，這就是我們現(xiàn)在經(jīng)常提到的動態(tài)時間規(guī)整(DynamicTimeWarping，DTW)。該算法把時間規(guī)整和距離的計算有機地結(jié)合起來，解決了不同時長語音的匹配問題。在一些要求資源占用率低、識別人比較特定的環(huán)境下，DTW是一種很經(jīng)典很常用的模板匹配算法。這些技術(shù)的提出完善了語音識別的理論研究，并且使得孤立詞語音識別系統(tǒng)達到了一定的實用性。此后，以IBM公司和Bell實驗室為的語音研究團隊開始將研究重點放到大詞匯量連續(xù)語音識別系統(tǒng)(LargeVocabularyContinuousSpeechRecognition，LVCSR)，因為這在當(dāng)時看來是更有挑戰(zhàn)性和更有價值的研究方向。20世紀(jì)70年代末，Linda的團隊提出了矢量量化(VectorQuantization。VQ)的碼本生成方法，該項工作對于語音編碼技術(shù)具有重大意義。
但是已經(jīng)能夠在各個真實場景中普遍應(yīng)用并且得到規(guī)模驗證。更進一步的是，技術(shù)和產(chǎn)業(yè)之間形成了比較好的正向迭代效應(yīng)，落地場景越多，得到的真實數(shù)據(jù)越多，挖掘的用戶需求也更準(zhǔn)確，這幫助了語音識別技術(shù)快速進步，也基本滿足了產(chǎn)業(yè)需求，解決了很多實際問題，這也是語音識別相對其他AI技術(shù)為明顯的優(yōu)勢。不過，我們也要看到，語音識別的內(nèi)涵必須不斷擴展，狹義語音識別必須走向廣義語音識別，致力于讓機器聽懂人類語言，這才能將語音識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人工智能發(fā)展的主流趨勢。在這種趨勢下，我們還有很多未來的問題需要探討，比如鍵盤、鼠標(biāo)、觸摸屏和語音交互的關(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)鏈中的傳感、芯片、操作系統(tǒng)、產(chǎn)品和內(nèi)容廠商之間的關(guān)系又該如何變化？。聲學(xué)模型和語言模型都是當(dāng)今基于統(tǒng)計的語音識別算法的重要組成部分。
主流的語音識別系統(tǒng)框架03語音識別發(fā)展歷史羅馬城不是***建成的，語音識別近些年的爆發(fā)也并非一朝一夕可以做到的，而是經(jīng)過了一段漫長的發(fā)展歷程。從初的語音識別雛形，到高達90%以上準(zhǔn)確率的現(xiàn)在，經(jīng)過了大約100年的時間。在電子計算機被發(fā)明之前的20世紀(jì)20年dai，sheng產(chǎn)的一種叫作"RadioRex"的玩具狗被認(rèn)為是世界上早的語音識別器。每當(dāng)有人喊出"Rex"這個詞時，這只狗就從底座上彈出來，以此回應(yīng)人類的"呼喚"。但是實際上，它使用的技術(shù)并不是真正意義上的語音識別技術(shù)，而是使用了一個特殊的彈簧，每當(dāng)該彈簧接收到頻率為500Hz的聲音時，它就會被自動釋放，而500Hz恰好就是人們喊出"Rex"時的***個共振峰的頻率。"RadioRex"玩具狗被視為語音識別的雛形。真正意義上的語音識別研究起源于20世紀(jì)50年代。先是美國的AT&TBell實驗室的Davis等人成功開發(fā)出了世界上di一個孤立詞語音識別系統(tǒng)——Audry系統(tǒng)，該系統(tǒng)能夠識別10個英文數(shù)字的發(fā)音，正確率高達98%。1956年，美國普林斯頓大學(xué)的實驗室使用模擬濾波器組提取出元音的頻譜后，通過模板匹配。建立了針對特定說話人的包括10個單音節(jié)詞的語音識別系統(tǒng)。1959年。從技術(shù)來看，整個語音交互鏈條有五項單點技術(shù)：喚醒、麥克風(fēng)陣列、語音識別、自然語言處理、語音合成。黑龍江語音識別率
語音識別的精度和速度取決于實際應(yīng)用環(huán)境。廣州無限語音識別特征
業(yè)界大部分都是按照靜態(tài)解碼的方式進行，即將聲學(xué)模型和語言模型構(gòu)造成WFST網(wǎng)絡(luò)，該網(wǎng)絡(luò)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(xué)術(shù)還是產(chǎn)業(yè)目前關(guān)注的較少。語音識別的技術(shù)趨勢語音識別主要趨于遠(yuǎn)場化和融合化的方向發(fā)展，但在遠(yuǎn)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(shù)。新的技術(shù)應(yīng)該徹底解決這些問題，讓機器聽覺遠(yuǎn)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(shù)升級，包括更為先進的傳感器和算力更強的芯片。單從遠(yuǎn)場語音識別技術(shù)來看，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(xué)習(xí)的回聲消除技術(shù)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(xué)習(xí)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(xué)習(xí)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。廣州無限語音識別特征