中國(guó)科學(xué)院聲學(xué)所成為國(guó)內(nèi)shou個(gè)開(kāi)始研究計(jì)算機(jī)語(yǔ)音識(shí)別的機(jī)構(gòu)。受限于當(dāng)時(shí)的研究條件，我國(guó)的語(yǔ)音識(shí)別研究在這個(gè)階段一直進(jìn)展緩慢。放開(kāi)以后，隨著計(jì)算機(jī)應(yīng)用技術(shù)和信號(hào)處理技術(shù)在我國(guó)的普及，越來(lái)越多的國(guó)內(nèi)單位和機(jī)構(gòu)具備了語(yǔ)音研究的成熟條件。而就在此時(shí)，外國(guó)的語(yǔ)音識(shí)別研究取得了較大的突破性進(jìn)展，語(yǔ)音識(shí)別成為科技浪潮的前沿，得到了迅猛的發(fā)展，這推動(dòng)了包括中科院聲學(xué)所、中科院自動(dòng)化所、清華大學(xué)、中國(guó)科技大學(xué)、哈爾濱工業(yè)大學(xué)、上海交通大學(xué)、西北工業(yè)大學(xué)、廈門大學(xué)等許多國(guó)內(nèi)科研機(jī)構(gòu)和高等院校投身到語(yǔ)音識(shí)別的相關(guān)研究當(dāng)中。大多數(shù)的研究者將研究重點(diǎn)聚焦在語(yǔ)音識(shí)別基礎(chǔ)理論研究和模型、算法的研究改進(jìn)上。1986年3月，我國(guó)的"863"計(jì)劃正式啟動(dòng)。"863"計(jì)劃即國(guó)家高技術(shù)研究發(fā)展計(jì)劃，是我國(guó)的一項(xiàng)高科技發(fā)展計(jì)劃。作為計(jì)算機(jī)系統(tǒng)和智能科學(xué)領(lǐng)域的一個(gè)重要分支。語(yǔ)音識(shí)別在該計(jì)劃中被列為一個(gè)專項(xiàng)研究課題。隨后，我國(guó)展開(kāi)了系統(tǒng)性的針對(duì)語(yǔ)音識(shí)別技術(shù)的研究。因此，對(duì)于我國(guó)國(guó)內(nèi)的語(yǔ)音識(shí)別行業(yè)來(lái)說(shuō)，"863"計(jì)劃是一個(gè)里程碑，它標(biāo)志著我國(guó)的語(yǔ)音識(shí)別技術(shù)進(jìn)入了一個(gè)嶄新的發(fā)展階段。但是由于研究起步晚、基礎(chǔ)薄弱、硬件條件和計(jì)算能力有限。語(yǔ)音必定將成為未來(lái)主要的人機(jī)互動(dòng)接口之一。河北語(yǔ)音識(shí)別模塊
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，在Switchboard測(cè)試中將詞錯(cuò)誤率從，即識(shí)別準(zhǔn)確率達(dá)到，與谷歌一起成為了行業(yè)。另外，亞馬遜(Amazon)公司在語(yǔ)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(guò)該音箱搭載的Alexa語(yǔ)音助理，為使用者提供種種應(yīng)用服務(wù)。Echo智能音箱一經(jīng)推出，在消費(fèi)市場(chǎng)上取得了巨大的成功。如今已成為美國(guó)使用廣的智能家居產(chǎn)品，至今累計(jì)銷量已超過(guò)2000萬(wàn)臺(tái)。投資機(jī)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(fèi)電子產(chǎn)品"。國(guó)內(nèi)語(yǔ)音識(shí)別現(xiàn)狀國(guó)內(nèi)早的語(yǔ)音識(shí)別研究開(kāi)始于1958年，中國(guó)科學(xué)院聲學(xué)所研究出一種電子管電路，該電子管可以識(shí)別10個(gè)元音。1973年。河北語(yǔ)音識(shí)別模塊語(yǔ)音識(shí)別的精度和速度取決于實(shí)際應(yīng)用環(huán)境。
feed-forwardsequentialmemorynetwork，F(xiàn)SMN)，在DNN的隱層旁增加了一個(gè)“記憶模塊”，這個(gè)記憶模塊用來(lái)存儲(chǔ)對(duì)判斷當(dāng)前語(yǔ)音幀有用的語(yǔ)音信號(hào)的歷史信息和未來(lái)信息，并且只需等待有限長(zhǎng)度的未來(lái)語(yǔ)音幀。隨后，科大訊飛進(jìn)一步提出了深度全序列卷積神經(jīng)網(wǎng)絡(luò)(DFCNN)。2018年，阿里巴巴改良并開(kāi)源了語(yǔ)音識(shí)別模型DFSMN(DeepFSMN)。2018年，中科院自動(dòng)化所率先把Transformer應(yīng)用到語(yǔ)音識(shí)別任務(wù)，并進(jìn)一步拓展到中文語(yǔ)音識(shí)別。不管是在研究成果還是在產(chǎn)品性能體驗(yàn)上，國(guó)內(nèi)的語(yǔ)音行業(yè)整體水平已經(jīng)達(dá)到甚至超越了國(guó)際水平。2016年10月，時(shí)任百度首席科學(xué)家的吳恩達(dá)在對(duì)微軟的語(yǔ)音識(shí)別技術(shù)與人類水平持平的消息表示祝賀的同時(shí)聲稱，百度的漢語(yǔ)語(yǔ)音識(shí)別在2015年就已經(jīng)超越了人類的平均水平，也就是說(shuō)百度比微軟提前一年實(shí)現(xiàn)了這一成績(jī)。當(dāng)前語(yǔ)音識(shí)別系統(tǒng)依然面臨著不少應(yīng)用挑戰(zhàn)，其中包括以下主要問(wèn)題：魯棒性。目前語(yǔ)音識(shí)別準(zhǔn)確率超過(guò)人類水平主要還是在受限的場(chǎng)景下，比如在安靜環(huán)境的情況下，而一旦加入干擾信號(hào)，尤其是環(huán)境噪聲和人聲干擾，性能往往會(huì)明顯下降。因此，如何在復(fù)雜場(chǎng)景(包括非平穩(wěn)噪聲、混響、遠(yuǎn)場(chǎng))下，提高語(yǔ)音識(shí)別的魯棒性，研發(fā)"能用=>好用"的語(yǔ)音識(shí)別產(chǎn)品。
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)布平臺(tái)。雖然GoogleAssistant號(hào)稱單點(diǎn)技術(shù)更為，但從各方面的結(jié)果來(lái)看Alexa是當(dāng)之無(wú)愧的為的系統(tǒng)平臺(tái)，可惜的是Alexa并不支持中文以及相應(yīng)的后臺(tái)服務(wù)。國(guó)內(nèi)則缺乏亞馬遜這種統(tǒng)治力的系統(tǒng)平臺(tái)提供商，當(dāng)前的平臺(tái)提供商分為兩個(gè)陣營(yíng)：一類是以百度、阿里、訊飛、小米、騰訊為的傳統(tǒng)互聯(lián)網(wǎng)或者上市公司；一類是以聲智等為的新興人工智能公司。新興的人工智能公司相比傳統(tǒng)公司產(chǎn)品和服務(wù)上的歷史包袱更輕，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)。
一個(gè)完整的語(yǔ)音識(shí)別系統(tǒng)通常包括信息處理和特征提取、聲學(xué)模型、語(yǔ)言模型和解碼搜索四個(gè)模塊。
所有語(yǔ)音交互產(chǎn)品都是端到端打通的產(chǎn)品，如果每家廠商都從這些基礎(chǔ)技術(shù)來(lái)打造產(chǎn)品，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)布平臺(tái)。雖然GoogleAssistant號(hào)稱單點(diǎn)技術(shù)，但從各方面的結(jié)果來(lái)看Alexa是當(dāng)之無(wú)愧的系統(tǒng)平臺(tái)，可惜的是Alexa并不支持中文以及相應(yīng)的后臺(tái)服務(wù)。國(guó)內(nèi)則缺乏亞馬遜這種統(tǒng)治力的系統(tǒng)平臺(tái)提供商，當(dāng)前的平臺(tái)提供商分為兩個(gè)陣營(yíng)：一類是以百度、阿里、訊飛、小米、騰訊的傳統(tǒng)互聯(lián)網(wǎng)或者上市公司；一類是以聲智等為新興人工智能公司。新興的人工智能公司相比傳統(tǒng)公司產(chǎn)品和服務(wù)上的歷史包袱更輕。特別是遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別已經(jīng)隨著智能音箱的興起成為全球消費(fèi)電子領(lǐng)域應(yīng)用為成功的技術(shù)之一。江西語(yǔ)音識(shí)別源碼
語(yǔ)音識(shí)別目前已使用在生活的各個(gè)方面：手機(jī)端的語(yǔ)音識(shí)別技術(shù)。河北語(yǔ)音識(shí)別模塊
3）上述兩個(gè)問(wèn)題的共性是目前的深度學(xué)習(xí)用到了語(yǔ)音信號(hào)各個(gè)頻帶的能量信息，而忽略了語(yǔ)音信號(hào)的相位信息，尤其是對(duì)于多通道而言，如何讓深度學(xué)習(xí)更好的利用相位信息可能是未來(lái)的一個(gè)方向。（4）另外，在較少數(shù)據(jù)量的情況下，如何通過(guò)遷移學(xué)習(xí)得到一個(gè)好的聲學(xué)模型也是研究的熱點(diǎn)方向。例如方言識(shí)別，若有一個(gè)比較好的普通話聲學(xué)模型，如何利用少量的方言數(shù)據(jù)得到一個(gè)好的方言聲學(xué)模型，如果做到這點(diǎn)將極大擴(kuò)展語(yǔ)音識(shí)別的應(yīng)用范疇。這方面已經(jīng)取得了一些進(jìn)展，但更多的是一些訓(xùn)練技巧，距離目標(biāo)還有一定差距。（5）語(yǔ)音識(shí)別的目的是讓機(jī)器可以理解人類，因此轉(zhuǎn)換成文字并不是終的目的。如何將語(yǔ)音識(shí)別和語(yǔ)義理解結(jié)合起來(lái)可能是未來(lái)更為重要的一個(gè)方向。語(yǔ)音識(shí)別里的LSTM已經(jīng)考慮了語(yǔ)音的歷史時(shí)刻信息，但語(yǔ)義理解需要更多的歷史信息才能有幫助，因此如何將更多上下文會(huì)話信息傳遞給語(yǔ)音識(shí)別引擎是一個(gè)難題。（6）讓機(jī)器聽(tīng)懂人類語(yǔ)言，靠聲音信息還不夠，“聲光電熱力磁”這些物理傳感手段，下一步必然都要融合在一起，只有這樣機(jī)器才能感知世界的真實(shí)信息，這是機(jī)器能夠?qū)W習(xí)人類知識(shí)的前提條件。而且，機(jī)器必然要超越人類的五官，能夠看到人類看不到的世界。
河北語(yǔ)音識(shí)別模塊