广州信息化语音识别标准

    将相似度高的模式所属的类别作为识别中间候选结果输出。为了提高识别的正确率，在后处理模块中对上述得到的候选识别结果继续处理，包括通过Lattice重打分融合更高元的语言模型、通过置信度度量得到识别结果的可靠程度等。终通过增加约束，得到更可靠的识别结果。语音识别的技术有哪些？语音识别技术=早期基于信号处理和模式识别+机器学习+深度学习+数值分析+高性能计算+自然语言处理语音识别技术的发展可以说是有一定的历史背景，上世纪80年代，语音识别研究的重点已经开始逐渐转向大词汇量、非特定人连续语音识别。到了90年代以后，语音识别并没有什么重大突破，直到大数据与深度神经网络时代的到来，语音识别技术才取得了突飞猛进的进展。语音识别技术的发展语音识别技术起始于20世纪50年代。这一时期，语音识别的研究主要集中在对元音、辅音、数字以及孤立词的识别。20世纪60年代，语音识别研究取得实质性进展。线性预测分析和动态规划的提出较好地解决了语音信号模型的产生和语音信号不等长两个问题，并通过语音信号的线性预测编码，有效地解决了语音信号的特征提取。20世纪70年代，语音识别技术取得突破性进展。基于动态规划的动态时间规整（DynamicTimeWarp⁃ing。不使用训练的系统被称为“说话者无关”系统。广州信息化语音识别标准

    它在某些实际场景下的识别率无法达到人们对实际应用的要求和期望，这个阶段语音识别的研究陷入了瓶颈期。第三阶段：深度学习(DNN-HMM，E2E)2006年，变革到来。Hinton在全世界学术期刊Science上发表了论文，di一次提出了"深度置信网络"的概念。深度置信网络与传统训练方式的不同之处在于它有一个被称为"预训练"(pre-training)的过程，其作用是为了让神经网络的权值取到一个近似优解的值，之后使用反向传播算法(BP)或者其他算法进行"微调"(fine-tuning)，使整个网络得到训练优化。Hinton给这种多层神经网络的相关学习方法赋予了一个全新的名词——"深度学习"(DeepLearning，DL)。深度学习不*使深层的神经网络训练变得更加容易，缩短了网络的训练时间，而且还大幅度提升了模型的性能。以这篇划时代的论文的发表为转折点，从此，全世界再次掀起了对神经网络的研究热潮，揭开了属于深度学习的时代序幕。在2009年，Hinton和他的学生Mohamed将深层神经网络(DNN)应用于声学建模，他们的尝试在TIMIT音素识别任务上取得了成功。然而TIMIT数据库包含的词汇量较小。在面对连续语音识别任务时还往往达不到人们期望的识别词和句子的正确率。2012年。陕西语音识别机语音识别与键盘、鼠标或触摸屏等应是融合关系，而非替代关系。

    CNN本质上也可以看作是从语音信号中不断抽取特征的一个过程。CNN相比于传统的DNN模型，在相同性能情况下，前者的参数量更少。综上所述，对于建模能力来说，DNN适合特征映射到空间，LSTM具有长短时记忆能力，CNN擅长减少语音信号的多样性，因此一个好的语音识别系统是这些网络的组合。端到端时代语音识别的端到端方法主要是代价函数发生了变化，但神经网络的模型结构并没有太大变化。总体来说，端到端技术解决了输入序列的长度远大于输出序列长度的问题。端到端技术主要分成两类：一类是CTC方法，另一类是Sequence-to-Sequence方法。传统语音识别DNN-HMM架构里的声学模型，每一帧输入都对应一个标签类别，标签需要反复的迭代来确保对齐更准确。采用CTC作为损失函数的声学模型序列，不需要预先对数据对齐，只需要一个输入序列和一个输出序列就可以进行训练。CTC关心的是预测输出的序列是否和真实的序列相近，而不关心预测输出序列中每个结果在时间点上是否和输入的序列正好对齐。CTC建模单元是音素或者字，因此它引入了Blank。对于一段语音，CTC**后输出的是尖峰的序列，尖峰的位置对应建模单元的Label，其他位置都是Blank。

    因此在平台服务上反倒是可以主推一些更为面向未来、有特色的基础服务，比如兼容性方面新兴公司做的会更加彻底，这种兼容性对于一套产品同时覆盖国内国外市场是相当有利的。类比过去的Android，语音交互的平台提供商们其实面临更大的挑战，发展过程可能会更加的曲折。过去经常被提到的操作系统的概念在智能语音交互背景下事实上正被赋予新的内涵，它日益被分成两个不同但必须紧密结合的部分。过去的Linux以及各种变种承担的是功能型操作系统的角色，而以Alexa的新型系统则承担的则是智能型系统的角色。前者完成完整的硬件和资源的抽象和管理，后者则让这些硬件以及资源得到具体的应用，两者相结合才能输出终用户可感知的体验。功能型操作系统和智能型操作系统注定是一种一对多的关系，不同的AIoT硬件产品在传感器（深度摄像头、雷达等）、显示器上（有屏、无屏、小屏、大屏等）具有巨大差异，这会导致功能型系统的持续分化（可以和Linux的分化相对应）。这反过来也就意味着一套智能型系统，必须同时解决与功能型系统的适配以及对不同后端内容以及场景进行支撑的双重责任。这两边在操作上，属性具有巨大差异。解决前者需要参与到传统的产品生产制造链条中去。声学模型是语音识别系统中为重要的部分之一。

    中国科学院声学所成为国内shou个开始研究计算机语音识别的机构。受限于当时的研究条件，我国的语音识别研究在这个阶段一直进展缓慢。放开以后，随着计算机应用技术和信号处理技术在我国的普及，越来越多的国内单位和机构具备了语音研究的成熟条件。而就在此时，外国的语音识别研究取得了较大的突破性进展，语音识别成为科技浪潮的前沿，得到了迅猛的发展，这推动了包括中科院声学所、中科院自动化所、清华大学、中国科技大学、哈尔滨工业大学、上海交通大学、西北工业大学、厦门大学等许多国内科研机构和高等院校投身到语音识别的相关研究当中。大多数的研究者将研究重点聚焦在语音识别基础理论研究和模型、算法的研究改进上。1986年3月，我国的"863"计划正式启动。"863"计划即国家高技术研究发展计划，是我国的一项高科技发展计划。作为计算机系统和智能科学领域的一个重要分支。语音识别在该计划中被列为一个专项研究课题。随后，我国展开了系统性的针对语音识别技术的研究。因此，对于我国国内的语音识别行业来说，"863"计划是一个里程碑，它标志着我国的语音识别技术进入了一个崭新的发展阶段。但是由于研究起步晚、基础薄弱、硬件条件和计算能力有限。这是一种允许计算机在具有特定限制的两个给定序列(例如时间序列)之间找到比较好匹配的方法。陕西语音识别机

在语音对话场景采买一句话识别（短语音）接口或者实时语音识别（长语音流）接口，都属于流式语音识别。广州信息化语音识别标准

    自2015年以来，谷歌、亚马逊、百度等公司陆续开始了对CTC模型的研发和使用，并且都获得了不错的性能提升。2014年，基于Attention(注意力机制)的端到端技术在机器翻译领域中得到了广的应用并取得了较好的实验结果，之后很快被大规模商用。于是，JanChorowski在2015年将Attention的应用扩展到了语音识别领域，结果大放异彩。在近的两年里，有一种称为Seq2Seq(SequencetoSequence)的基于Attention的语音识别模型在学术界引起了极大的关注，相关的研究取得了较大的进展。在加拿大召开的国际智能语音领域的会议ICASSP2018上，谷歌公司发表的研究成果显示，在英语语音识别任务上，基于Attention的Seq2Seq模型表现强劲，它的识别结果已经超越了其他语音识别模型。但Attention模型的对齐关系没有先后顺序的限制，完全靠数据驱动得到，对齐的盲目性会导致训练和解码时间过长。而CTC的前向后向算法可以引导输出序列与输入序列按时间顺序对齐。因此CTC和Attention模型各有优势，可把两者结合起来。构建HybridCTC/Attention模型，并采用多任务学习，以取得更好的效果。2017年，Google和多伦多大学提出一种称为Transformer的全新架构，这种架构在Decoder和Encoder中均采用Attention机制。广州信息化语音识别标准