語(yǔ)音識別技術(shù)飛速發(fā)展，又取得了幾個(gè)突破性的進(jìn)展。1970年，來(lái)自前蘇聯(lián)的Velichko和Zagoruyko將模式識別的概念引入語(yǔ)音識別中。同年，Itakura提出了線(xiàn)性預測編碼(LinearPredictiveCoding，LPC)技術(shù)，并將該技術(shù)應用于語(yǔ)音識別。1978年，日本人Sakoe和Chiba在前蘇聯(lián)科學(xué)家Vintsyuk的工作基礎上，成功地使用動(dòng)態(tài)規劃算法將兩段不同長(cháng)度的語(yǔ)音在時(shí)間軸上進(jìn)行了對齊，這就是我們現在經(jīng)常提到的動(dòng)態(tài)時(shí)間規整(DynamicTimeWarping，DTW)。該算法把時(shí)間規整和距離的計算有機地結合起來(lái)，解決了不同時(shí)長(cháng)語(yǔ)音的匹配問(wèn)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(yǔ)音識別的理論研究，并且使得孤立詞語(yǔ)音識別系統達到了一定的實(shí)用性。此后，以IBM公司和Bell實(shí)驗室為的語(yǔ)音研究團隊開(kāi)始將研究重點(diǎn)放到大詞匯量連續語(yǔ)音識別系統(LargeVocabularyContinuousSpeechRecognition，LVCSR)，因為這在當時(shí)看來(lái)是更有挑戰性和更有價(jià)值的研究方向。20世紀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(yǔ)音編碼技術(shù)具有重大意義。語(yǔ)音識別是項融合多學(xué)科知識的前沿技術(shù)，覆蓋了數學(xué)與統計學(xué)、聲學(xué)與語(yǔ)言學(xué)、計算機與人工智能等基礎學(xué)科。山西英語(yǔ)語(yǔ)音識別
英國倫敦大學(xué)的科學(xué)家Fry和Denes等人di一次利用統計學(xué)的原理構建出了一個(gè)可以識別出4個(gè)元音和9個(gè)輔音的音素識別器。在同一年，美國麻省理工學(xué)院林肯實(shí)驗室的研究人員則shou次實(shí)現了可以針對非特定人的可識別10個(gè)元音音素的識別器。語(yǔ)音識別技術(shù)的發(fā)展歷史，主要包括模板匹配、統計模型和深度學(xué)習三個(gè)階段。di一階段：模板匹配(DTW)20世紀60年代，一些重要的語(yǔ)音識別的經(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(cháng)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出語(yǔ)音的端點(diǎn)，這可以有效地降低語(yǔ)音時(shí)長(cháng)對識別結果的影響，使語(yǔ)音識別結果的可變性減小了。1966年，卡耐基梅隆大學(xué)的Reddy利用動(dòng)態(tài)音素的方法進(jìn)行了連續語(yǔ)音識別，這是一項開(kāi)創(chuàng )性的工作。1968年，前蘇聯(lián)科學(xué)家Vintsyukshou次提出將動(dòng)態(tài)規劃算法應用于對語(yǔ)音信號的時(shí)間規整。雖然在他的工作中，動(dòng)態(tài)時(shí)間規整的概念和算法原型都有體現，但在當時(shí)并沒(méi)有引起足夠的重視。這三項研究工作，為此后幾十年語(yǔ)音識別的發(fā)展奠定了堅實(shí)的基礎。雖然在這10年中語(yǔ)音識別理論取得了明顯的進(jìn)步。但是這距離實(shí)現真正實(shí)用且可靠的語(yǔ)音識別系統的目標依舊十分遙遠。20世紀70年代。深圳移動(dòng)語(yǔ)音識別標準一個(gè)完整的語(yǔ)音識別系統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。
發(fā)音和單詞選擇可能會(huì )因地理位置和口音等因素而不同。哦，別忘了語(yǔ)言也因年齡和性別而有所不同！考慮到這一點(diǎn)，為ASR系統提供的語(yǔ)音樣本越多，它在識別和分類(lèi)新語(yǔ)音輸入方面越好。從各種各樣的聲音和環(huán)境中獲取的樣本越多，系統越能在這些環(huán)境中識別聲音。通過(guò)專(zhuān)門(mén)的微調和維護，自動(dòng)語(yǔ)音識別系統將在使用過(guò)程中得到改進(jìn)。因此，從基本的角度來(lái)看，數據越多越好。的確，目前進(jìn)行的研究和優(yōu)化較小數據集相關(guān)，但目前大多數模型仍需要大量數據才能發(fā)揮良好的性能。幸運的是，得益于數據集存儲庫的數據收集服務(wù)，音頻數據的收集變得越發(fā)簡(jiǎn)單。這反過(guò)來(lái)又增加了技術(shù)發(fā)展的速度，那么，接下來(lái)簡(jiǎn)單了解一下，未來(lái)自動(dòng)語(yǔ)音識別能在哪些方面大展身手。ASR技術(shù)的未來(lái)ASR技術(shù)已融身于社會(huì )。虛擬助手、車(chē)載系統和家庭自動(dòng)化都讓日常生活更加便利，應用范圍也可能擴大。隨著(zhù)越來(lái)越多的人接納這些服務(wù)，技術(shù)將進(jìn)一步發(fā)展。除上述示例之外，自動(dòng)語(yǔ)音識別在各種有趣的領(lǐng)域和行業(yè)中都發(fā)揮著(zhù)作用：·通訊：隨著(zhù)全球手機的普及，ASR系統甚至可以為閱讀和寫(xiě)作水平較低的社區提供信息、在線(xiàn)搜索和基于文本的服務(wù)。
特別是在Encoder層，將傳統的RNN完全用Attention替代，從而在機器翻譯任務(wù)上取得了更優(yōu)的結果，引起了極大關(guān)注。隨后，研究人員把Transformer應用到端到端語(yǔ)音識別系統中，也取得了非常明顯的改進(jìn)效果。另外，生成式對抗網(wǎng)絡(luò )(GenerativeAdversarialNetwork，GAN)是近年來(lái)無(wú)監督學(xué)習方面具前景的一種新穎的深度學(xué)習模型，"GenerativeAdversarialNets"，文中提出了一個(gè)通過(guò)對抗過(guò)程估計生成模型框架的全新方法。通過(guò)對抗學(xué)習，GAN可用于提升語(yǔ)音識別的噪聲魯棒性。GAN網(wǎng)絡(luò )在無(wú)監督學(xué)習方面展現出了較大的研究潛質(zhì)和較好的應用前景。從一個(gè)更高的角度來(lái)看待語(yǔ)音識別的研究歷程，從HMM到GMM，到DNN，再到CTC和Attention，這個(gè)演進(jìn)過(guò)程的主線(xiàn)是如何利用一個(gè)網(wǎng)絡(luò )模型實(shí)現對聲學(xué)模型層面更準的刻畫(huà)。換言之，就是不斷嘗試更好的建模方式以取代基于統計的建模方式。在2010年以前，語(yǔ)音識別行業(yè)水平普遍還停留在80%的準確率以下。機器學(xué)習相關(guān)模型算法的應用和計算機性能的增強，帶來(lái)了語(yǔ)音識別準確率的大幅提升。到2015年，識別準確率就達到了90%以上。谷歌公司在2013年時(shí)，識別準確率還只有77%，然而到2017年5月時(shí)，基于谷歌深度學(xué)習的英語(yǔ)語(yǔ)音識別錯誤率已經(jīng)降低到。語(yǔ)音交互提供了更自然、更便利、更高效的溝通形式，語(yǔ)音必定將成為未來(lái)主要的人機互動(dòng)接口之一。
使用語(yǔ)音識別功能之前，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(zhù)界面提示一部一部操作就ok。中間綁定手機/郵箱賬號，接收驗證碼，輸入VOICEM380底部的碼。安裝流程就結束了，讓我們來(lái)試試神奇的語(yǔ)音識別~先試了一下普通話(huà)模式，據官方說(shuō)，每分鐘可聽(tīng)寫(xiě)約400字，準確率高達98%。特意找了一段聽(tīng)起來(lái)十分晦澀、拗口的話(huà)來(lái)測試，先清點(diǎn)VOICEM380的語(yǔ)音識別鍵。此時(shí)電腦右下角出現小彈框，進(jìn)入語(yǔ)音接收階段。以正常語(yǔ)速隨便讀了一下，轉化效果非常好，實(shí)現零誤差；而且對于智能語(yǔ)音識別中的“智能”也有了很好的詮釋?zhuān)鐒?dòng)圖，有些人名、專(zhuān)有名詞不能在一時(shí)間正確輸出，但會(huì )隨著(zhù)語(yǔ)音的不斷輸入，不斷修正、調整前面的內容；輸入結束后，可以再次輕點(diǎn)VOICEM380的語(yǔ)音識別鍵，進(jìn)入“識別”階段，個(gè)人感覺(jué)，更像是對于剛剛輸出的內容進(jìn)行后的整合；如果剛剛的輸出有出現標點(diǎn)錯亂、錯別字的現象，會(huì )在這個(gè)識別階段，統一調整，終整合后輸出的內容，正確率十分ok。接著(zhù)試了一下中譯英模式和英譯中模式，整體操作和普通話(huà)模式一致。雖然涉及了不同語(yǔ)種之間的翻譯轉化。隨著(zhù)技術(shù)的發(fā)展，現在口音、方言、噪聲等場(chǎng)景下的語(yǔ)音識別也達到了可用狀態(tài)。山西語(yǔ)音識別工具
在醫療保健領(lǐng)域，語(yǔ)音識別可以在醫療記錄過(guò)程的前端或后端實(shí)現。山西英語(yǔ)語(yǔ)音識別
用來(lái)描述雙重隨機過(guò)程。HMM有算法成熟、效率高、易于訓練等優(yōu)點(diǎn)，被應用于語(yǔ)音識別、手寫(xiě)字識別和天氣預報等多個(gè)領(lǐng)域，目前仍然是語(yǔ)音識別中的主流技術(shù)。HMM包含S1、S2、S3、S4和S55個(gè)狀態(tài)，每個(gè)狀態(tài)對應多幀觀(guān)察值，這些觀(guān)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，而是連續的。自然界中的很多信號可用高斯分布表示，包括語(yǔ)音信號。由于不同人發(fā)音會(huì )存在較大差異，具體表現是，每個(gè)狀態(tài)對應的觀(guān)察值序列呈現多樣化，單純用一個(gè)高斯函數來(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)表征更復雜的分布。這種用GMM作為HMM狀態(tài)產(chǎn)生觀(guān)察值的概率密度函數(pdf)的模型就是GMM-HMM，每個(gè)狀態(tài)對應的GMM由2個(gè)高斯函數組合而成。其能夠對復雜的語(yǔ)音變化情況進(jìn)行建模。把GMM-HMM的GMM用DNN替代，HMM的轉移概率和初始狀態(tài)概率保持不變。把GMM-HMM的GMM用DNN替代DNN的輸出節點(diǎn)與所有HMM(包括"a"、"o"等音素)的發(fā)射狀態(tài)一一對應，因此可通過(guò)DNN的輸出得到每個(gè)狀態(tài)的觀(guān)察值概率。DNN-HMM4.端到端從2015年，端到端模型開(kāi)始流行，并被應用于語(yǔ)音識別領(lǐng)域。山西英語(yǔ)語(yǔ)音識別