另一方面,与业界对语音识别的期望过高有关,实际上语音识别与键盘、鼠标或触摸屏等应是融合关系,而非替代关系。深度学习技术自2009年兴起之后,已经取得了长足进步。语音识别的精度和速度取决于实际应用环境,但在安静环境、标准口音、常见词汇场景下的语音识别率已经超过95%,意味着具备了与人类相仿的语言识别能力,而这也是语音识别技术当前发展比较火热的原因。随着技术的发展,现在口音、方言、噪声等场景下的语音识别也达到了可用状态,特别是远场语音识别已经随着智能音箱的兴起成为全球消费电子领域应用为成功的技术之一。由于语音交互提供了更自然、更便利、更高效的沟通形式,语音必定将成为未来主要的人机互动接口之一。当然,当前技术还存在很多不足,如对于强噪声、超远场、强干扰、多语种、大词汇等场景下的语音识别还需要很大的提升;另外,多人语音识别和离线语音识别也是当前需要重点解决的问题。虽然语音识别还无法做到无限制领域、无限制人群的应用,但是至少从应用实践中我们看到了一些希望。本篇文章将从技术和产业两个角度来回顾一下语音识别发展的历程和现状,并分析一些未来趋势,希望能帮助更多年轻技术人员了解语音行业。而这也是语音识别技术当前发展比较火热的原因。内蒙古语音识别系统
DBN),促使了深度神经网络(DNN)研究的复苏。2009年,Hinton将DNN应用于语音的声学建模,在TIMIT上获得了当时比较好的结果。2011年底,微软研究院的俞栋、邓力又把DNN技术应用在了大词汇量连续语音识别任务上,降低了语音识别错误率。从此语音识别进入DNN-HMM时代。DNN-HMM主要是用DNN模型代替原来的GMM模型,对每一个状态进行建模,DNN带来的好处是不再需要对语音数据分布进行假设,将相邻的语音帧拼接又包含了语音的时序结构信息,使得对于状态的分类概率有了明显提升,同时DNN还具有强大环境学习能力,可以提升对噪声和口音的鲁棒性。简单来说,DNN就是给出输入的一串特征所对应的状态概率。由于语音信号是连续的,不仅各个音素、音节以及词之间没有明显的边界,各个发音单位还会受到上下文的影响。虽然拼帧可以增加上下文信息,但对于语音来说还是不够。而递归神经网络(RNN)的出现可以记住更多历史信息,更有利于对语音信号的上下文信息进行建模。由于简单的RNN存在梯度和梯度消散问题,难以训练,无法直接应用于语音信号建模上,因此学者进一步探索,开发出了很多适合语音建模的RNN结构,其中有名的就是LSTM。
辽宁安卓语音识别它融合了语言学、计算机科学和电气工程领域的知识和研究。
该模型比百度上一代DeepPeak2模型提升相对15%的性能。开源语音识别Kaldi是业界语音识别框架的基石。Kaldi的作者DanielPovey一直推崇的是Chain模型。该模型是一种类似于CTC的技术,建模单元相比于传统的状态要更粗颗粒一些,只有两个状态,一个状态是CDPhone,另一个是CDPhone的空白,训练方法采用的是Lattice-FreeMMI训练。该模型结构可以采用低帧率的方式进行解码,解码帧率为传统神经网络声学模型的三分之一,而准确率相比于传统模型有提升。远场语音识别技术主要解决真实场景下舒适距离内人机任务对话和服务的问题,是2015年以后开始兴起的技术。由于远场语音识别解决了复杂环境下的识别问题,在智能家居、智能汽车、智能会议、智能安防等实际场景中获得了应用。目前国内远场语音识别的技术框架以前端信号处理和后端语音识别为主,前端利用麦克风阵列做去混响、波束形成等信号处理,以让语音更清晰,然后送入后端的语音识别引擎进行识别。语音识别另外两个技术部分:语言模型和解码器,目前来看并没有太大的技术变化。语言模型主流还是基于传统的N-Gram方法,虽然目前也有神经网络的语言模型的研究,但在实用中主要还是更多用于后处理纠错。解码器的指标是速度。
选用业界口碑较好的讯飞离线语音识别库,该库采用巴科斯范式语言描述语音识别的语法,可以支持的离线命令词的合,满足语音拨号软件的工作需求。其中,编写的语法文档主要部分如下:!start;:[];:我想|我要|请|帮我;:[];:给!id(10001)|打给!id(10001)|打电话给!id(10001)|拨打!id(10001)|呼叫!id(10001);:打电话!id(10001)|打个电话!id(10001)|拨打电话!id(10001)|拨电话!id(10001)|拨个电话!id(10001)|的电话!id(10001);:丁伟|李平;本文件覆盖了电话呼叫过程中的基本语法,其中中的数据,需要根据用户数据库进行补充,其它、、中的内容,用户根据自己的生活习惯和工作需要进行完善。另外,语音拨号软件的应用数据库为电话薄数据库,电话薄中的用户姓名是构建语法文档的关键数据;音频采集模块采用增强型Linux声音架构ALSA库实现。语音拨号软件工作流程语音拨号软件的工作流程如图2所示,电话薄数据库、语音识别控制模块、讯飞离线识别引擎和ALSA库相互配合,共同完成语音识别的启动、识别和结束。具体流程如下:(1)构建BNF文档:控制模块搜索本地电话薄数据库,导出用户数据信息,按照巴科斯范式语法,生成基于本地数据库的语法文档;。为了能够更加清晰的定义语音识别的任务,先来看一下语音识别的输入和输出都是什么。
LSTM)的循环神经网络RNN,能够通过遗忘门和输出门忘记部分信息来解决梯度消失的问题。由LSTM也衍生出了许多变体,较为常用的是门控循环单元(GatedRecurrentUnit,GRU),在训练数据很大的情况下GRU相比LSTM参数更少,因此更容易收敛,从而能节省很多时间。LSTM及其变体使得识别效果再次得到提升,尤其是在近场的语音识别任务上达到了可以满足人们日常生活的标准。另外,时延神经网络(TimeDelayNeuralNetwork,TDNN)也获得了不错的识别效果,它可以适应语音的动态时域变化,能够学习到特征之间的时序依赖。深度学习技术在近十几年中,一直保持着飞速发展的状态,它也推动语音识别技术不断取得突破。尤其是近几年,基于端到端的语音识别方案逐渐成了行业中的关注重点,CTC(ConnectionistTemporalClassification)算法就是其中一个较为经典的算法。在LSTM-CTC的框架中,后一层往往会连接一个CTC模型,用它来替换HMM。CTC的作用是将Softmax层的输出向量直接输出成序列标签,这样就实现了输入语音和输出结果的直接映射,也实现了对整个语音的序列建模。2012年,Graves等人又提出了循环神经网络变换器RNNTransducer,它是CTC的一个扩展,能够整合声学模型与语言模型,同时进行优化。语音识别自半个世纪前诞生以来,一直处于不温不火的状态。辽宁安卓语音识别
自动语音识别(Automatic Speech Recognition, ASR),也可以简称为语音识别。内蒙古语音识别系统
但依然流畅、准确。整体使用下来,直观感受是在语音输入的大前提下、结合了谷歌翻译等类似的翻译软件,实时翻译、准翻译。在这两种模式下,完成输入后,同样可以像普通话模式一样,轻点VOICEM380语音识别键,对内容进行终的整合调整。同样,准确度相当ok。我挑战了一下,普通话模式在输入长度上的极限。快速读了一段文字,单次普通话模式的输入极限是一分零三秒、316个字符。时长上完全实现了官方的宣传,字符长度上,目测是因为个人语速不够,而受到了限制。类似的,我测试了一下,VOICEM380语音识别功能在距离上的极限。在相同语速、相同音量下,打开语音识别功能,不断后退,在声源与电脑中间不存在障碍的情况下,方圆三米的距离是完全不会影响这个功能实现的。由此可以看到,在一个小型会议室,罗技VOICEM380的语音识别功能,是完全可以很好的辅助会议记录的。有关M380语音识别功能三大模式之间的转换,也是非常便捷。单击VOICEM380语音识别键,如出现的一模式并非我们所需要的模式,只需轻轻双击VOICEM380语音识别键,即可瞬间切换至下一模式;再次启动输入功能时,会自动优先弹出上次结束的功能。有关M380后要强调的一点,便是它的离在线融合模式。内蒙古语音识别系统