語音識(shí)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，來自前蘇聯(lián)的Velichko和Zagoruyko將模式識(shí)別的概念引入語音識(shí)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(shí)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(dòng)態(tài)規(guī)劃算法將兩段不同長度的語音在時(shí)間軸上進(jìn)行了對(duì)齊，這就是我們現(xiàn)在經(jīng)常提到的動(dòng)態(tài)時(shí)間規(guī)整(DynamicTimeWarping，DTW)。該算法把時(shí)間規(guī)整和距離的計(jì)算有機(jī)地結(jié)合起來，解決了不同時(shí)長語音的匹配問題。在一些要求資源占用率低、識(shí)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(shí)別的理論研究，并且使得孤立詞語音識(shí)別系統(tǒng)達(dá)到了一定的實(shí)用性。此后，以IBM公司和Bell實(shí)驗(yàn)室為的語音研究團(tuán)隊(duì)開始將研究重點(diǎn)放到大詞匯量連續(xù)語音識(shí)別系統(tǒng)(LargeVocabularyContinuousSpeechRecognition，LVCSR)，因?yàn)檫@在當(dāng)時(shí)看來是更有挑戰(zhàn)性和更有價(jià)值的研究方向。20世紀(jì)70年代末，Linda的團(tuán)隊(duì)提出了矢量量化(VectorQuantization。VQ)的碼本生成方法，該項(xiàng)工作對(duì)于語音編碼技術(shù)具有重大意義。語音識(shí)別是項(xiàng)融合多學(xué)科知識(shí)的前沿技術(shù)，覆蓋了數(shù)學(xué)與統(tǒng)計(jì)學(xué)、聲學(xué)與語言學(xué)、計(jì)算機(jī)與人工智能等基礎(chǔ)學(xué)科。山西英語語音識(shí)別

英國倫敦大學(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，一些重要的語音識(shí)別的經(jīng)典理論先后被提出和發(fā)表出來。1964年，Martin為了解決語音時(shí)長不一致的問題，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音的端點(diǎn)，這可以有效地降低語音時(shí)長對(duì)識(shí)別結(jié)果的影響，使語音識(shí)別結(jié)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(xù)語音識(shí)別，這是一項(xiàng)開創(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(guī)劃算法應(yīng)用于對(duì)語音信號(hào)的時(shí)間規(guī)整。雖然在他的工作中，動(dòng)態(tài)時(shí)間規(guī)整的概念和算法原型都有體現(xiàn)，但在當(dāng)時(shí)并沒有引起足夠的重視。這三項(xiàng)研究工作，為此后幾十年語音識(shí)別的發(fā)展奠定了堅(jiān)實(shí)的基礎(chǔ)。雖然在這10年中語音識(shí)別理論取得了明顯的進(jìn)步。但是這距離實(shí)現(xiàn)真正實(shí)用且可靠的語音識(shí)別系統(tǒng)的目標(biāo)依舊十分遙遠(yuǎn)。20世紀(jì)70年代。深圳移動(dòng)語音識(shí)別標(biāo)準(zhǔn)一個(gè)完整的語音識(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，別忘了語言也因年齡和性別而有所不同！考慮到這一點(diǎn)，為ASR系統(tǒng)提供的語音樣本越多，它在識(shí)別和分類新語音輸入方面越好。從各種各樣的聲音和環(huán)境中獲取的樣本越多，系統(tǒng)越能在這些環(huán)境中識(shí)別聲音。通過專門的微調(diào)和維護(hù)，自動(dòng)語音識(shí)別系統(tǒng)將在使用過程中得到改進(jìn)。因此，從基本的角度來看，數(shù)據(jù)越多越好。的確，目前進(jìn)行的研究和優(yōu)化較小數(shù)據(jù)集相關(guān)，但目前大多數(shù)模型仍需要大量數(shù)據(jù)才能發(fā)揮良好的性能。幸運(yùn)的是，得益于數(shù)據(jù)集存儲(chǔ)庫的數(shù)據(jù)收集服務(wù)，音頻數(shù)據(jù)的收集變得越發(fā)簡單。這反過來又增加了技術(shù)發(fā)展的速度，那么，接下來簡單了解一下，未來自動(dòng)語音識(shí)別能在哪些方面大展身手。ASR技術(shù)的未來ASR技術(shù)已融身于社會(huì)。虛擬助手、車載系統(tǒng)和家庭自動(dòng)化都讓日常生活更加便利，應(yīng)用范圍也可能擴(kuò)大。隨著越來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)語音識(shí)別在各種有趣的領(lǐng)域和行業(yè)中都發(fā)揮著作用：·通訊：隨著全球手機(jī)的普及，ASR系統(tǒng)甚至可以為閱讀和寫作水平較低的社區(qū)提供信息、在線搜索和基于文本的服務(wù)。

特別是在Encoder層，將傳統(tǒng)的RNN完全用Attention替代，從而在機(jī)器翻譯任務(wù)上取得了更優(yōu)的結(jié)果，引起了極大關(guān)注。隨后，研究人員把Transformer應(yīng)用到端到端語音識(shí)別系統(tǒng)中，也取得了非常明顯的改進(jìn)效果。另外，生成式對(duì)抗網(wǎng)絡(luò)(GenerativeAdversarialNetwork，GAN)是近年來無監(jiān)督學(xué)習(xí)方面具前景的一種新穎的深度學(xué)習(xí)模型，"GenerativeAdversarialNets"，文中提出了一個(gè)通過對(duì)抗過程估計(jì)生成模型框架的全新方法。通過對(duì)抗學(xué)習(xí)，GAN可用于提升語音識(shí)別的噪聲魯棒性。GAN網(wǎng)絡(luò)在無監(jiān)督學(xué)習(xí)方面展現(xiàn)出了較大的研究潛質(zhì)和較好的應(yīng)用前景。從一個(gè)更高的角度來看待語音識(shí)別的研究歷程，從HMM到GMM，到DNN，再到CTC和Attention，這個(gè)演進(jìn)過程的主線是如何利用一個(gè)網(wǎng)絡(luò)模型實(shí)現(xiàn)對(duì)聲學(xué)模型層面更準(zhǔn)的刻畫。換言之，就是不斷嘗試更好的建模方式以取代基于統(tǒng)計(jì)的建模方式。在2010年以前，語音識(shí)別行業(yè)水平普遍還停留在80%的準(zhǔn)確率以下。機(jī)器學(xué)習(xí)相關(guān)模型算法的應(yīng)用和計(jì)算機(jī)性能的增強(qiáng)，帶來了語音識(shí)別準(zhǔn)確率的大幅提升。到2015年，識(shí)別準(zhǔn)確率就達(dá)到了90%以上。谷歌公司在2013年時(shí)，識(shí)別準(zhǔn)確率還只有77%，然而到2017年5月時(shí)，基于谷歌深度學(xué)習(xí)的英語語音識(shí)別錯(cuò)誤率已經(jīng)降低到。語音交互提供了更自然、更便利、更高效的溝通形式，語音必定將成為未來主要的人機(jī)互動(dòng)接口之一。

使用語音識(shí)別功能之前，先按照說明書安裝百度語音輸入軟件。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，讓我們來試試神奇的語音識(shí)別~先試了一下普通話模式，據(jù)官方說，每分鐘可聽寫約400字，準(zhǔn)確率高達(dá)98%。特意找了一段聽起來十分晦澀、拗口的話來測試，先清點(diǎn)VOICEM380的語音識(shí)別鍵。此時(shí)電腦右下角出現(xiàn)小彈框，進(jìn)入語音接收階段。以正常語速隨便讀了一下，轉(zhuǎn)化效果非常好，實(shí)現(xiàn)零誤差；而且對(duì)于智能語音識(shí)別中的“智能”也有了很好的詮釋，如動(dòng)圖，有些人名、專有名詞不能在一時(shí)間正確輸出，但會(huì)隨著語音的不斷輸入，不斷修正、調(diào)整前面的內(nèi)容；輸入結(jié)束后，可以再次輕點(diǎn)VOICEM380的語音識(shí)別鍵，進(jìn)入“識(shí)別”階段，個(gè)人感覺，更像是對(duì)于剛剛輸出的內(nèi)容進(jìn)行后的整合；如果剛剛的輸出有出現(xiàn)標(biāo)點(diǎn)錯(cuò)亂、錯(cuò)別字的現(xiàn)象，會(huì)在這個(gè)識(shí)別階段，統(tǒng)一調(diào)整，終整合后輸出的內(nèi)容，正確率十分ok。接著試了一下中譯英模式和英譯中模式，整體操作和普通話模式一致。雖然涉及了不同語種之間的翻譯轉(zhuǎn)化。隨著技術(shù)的發(fā)展，現(xiàn)在口音、方言、噪聲等場景下的語音識(shí)別也達(dá)到了可用狀態(tài)。山西語音識(shí)別工具

在醫(yī)療保健領(lǐng)域，語音識(shí)別可以在醫(yī)療記錄過程的前端或后端實(shí)現(xiàn)。山西英語語音識(shí)別

用來描述雙重隨機(jī)過程。HMM有算法成熟、效率高、易于訓(xùn)練等優(yōu)點(diǎn)，被應(yīng)用于語音識(shí)別、手寫字識(shí)別和天氣預(yù)報(bào)等多個(gè)領(lǐng)域，目前仍然是語音識(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)來刻畫其分布往往不夠，因此更多的是采用多高斯組合的GMM來表征更復(fù)雜的分布。這種用GMM作為HMM狀態(tài)產(chǎn)生觀察值的概率密度函數(shù)(pdf)的模型就是GMM-HMM，每個(gè)狀態(tài)對(duì)應(yīng)的GMM由2個(gè)高斯函數(shù)組合而成。其能夠?qū)?fù)雜的語音變化情況進(jìn)行建模。把GMM-HMM的GMM用DNN替代，HMM的轉(zhuǎn)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(jié)點(diǎn)與所有HMM(包括"a"、"o"等音素)的發(fā)射狀態(tài)一一對(duì)應(yīng)，因此可通過DNN的輸出得到每個(gè)狀態(tài)的觀察值概率。DNN-HMM4.端到端從2015年，端到端模型開始流行，并被應(yīng)用于語音識(shí)別領(lǐng)域。山西英語語音識(shí)別

本文來自吉林省科維光電有限公司：http://www.surw.com.cn/Article/21a31699662.html