深圳信息化语音识别介绍

    LSTM通过输入门、输出门和遗忘门可以更好的控制信息的流动和传递，具有长短时记忆能力。虽然LSTM的计算复杂度会比DNN增加，但其整体性能比DNN有相对20%左右稳定提升。BLSTM是在LSTM基础上做的进一步改进，不仅考虑语音信号的历史信息对当前帧的影响，还要考虑未来信息对当前帧的影响，因此其网络中沿时间轴存在正向和反向两个信息传递过程，这样该模型可以更充分考虑上下文对于当前语音帧的影响，能够极大提高语音状态分类的准确率。BLSTM考虑未来信息的代价是需要进行句子级更新，模型训练的收敛速度比较慢，同时也会带来解码的延迟，对于这些问题，业届都进行了工程优化与改进，即使现在仍然有很多大公司使用的都是该模型结构。图像识别中主流的模型就是CNN，而语音信号的时频图也可以看作是一幅图像，因此CNN也被引入到语音识别中。要想提高语音识别率，就需要克服语音信号所面临的多样性，包括说话人自身、说话人所处的环境、采集设备等，这些多样性都可以等价为各种滤波器与语音信号的卷积。而CNN相当于设计了一系列具有局部关注特性的滤波器，并通过训练学习得到滤波器的参数，从而从多样性的语音信号中抽取出不变的部分。

    主流语音识别框架还是由 3 个部分组成：声学模型、语言模型和解码器，有些框架也包括前端处理和后处理。深圳信息化语音识别介绍

    声音的感知qi官正常人耳能感知的频率范围为20Hz~20kHz，强度范围为0dB~120dB。人耳对不同频率的感知程度是不同的。音调是人耳对不同频率声音的一种主观感觉，单位为mel。mel频率与在1kHz以下的频率近似成线性正比关系，与1kHz以上的频率成对数正比关系。02语音识别过程人耳接收到声音后，经过神经传导到大脑分析，判断声音类型，并进一步分辨可能的发音内容。人的大脑从婴儿出生开始，就不断在学习外界的声音，经过长时间的潜移默化，终才听懂人类的语言。机器跟人一样，也需要学习语言的共性和发音的规律，才能进行语音识别。音素(phone)是构成语音的zui小单位。英语中有48个音素(20个元音和28个辅音)。采用元音和辅音来分类，汉语普通话有32个音素，包括元音10个，辅音22个。但普通话的韵母很多是复韵母，不是简单的元音，因此拼音一般分为声母(initial)和韵母(final)。汉语中原来有21个声母和36个韵母，经过扩充(增加aoeywv)和调整后，包含27个声母和38个韵母(不带声调)。普通话的声母和韵母(不带声调)分类表音节(syllable)是听觉能感受到的自然的语音单位，由一个或多个音素按一定的规律组合而成。英语音节可单独由一个元音构成。也可由一个元音和一个或多个辅音构成。吉林语音识别学习远场语音识别技术以前端信号处理和后端语音识别为主，以让语音更清晰，后送入后端的语音识别引擎进行识别。

    共振峰的位置、带宽和幅度决定元音音色，改变声道形状可改变共振峰，改变音色。语音可分为浊音和清音，其中浊音是由声带振动并激励声道而得到的语音，清音是由气流高速冲过某处收缩的声道所产生的语音。语音的产生过程可进一步抽象成如图1-2所示的激励模型，包含激励源和声道部分。在激励源部分，冲击序列发生器以基音周期产生周期性信号，经过声带振动，相当于经过声门波模型，肺部气流大小相当于振幅；随机噪声发生器产生非周期信号。声道模型模拟口腔、鼻腔等声道qi官，后产生语音信号。我们要发浊音时，声带振动形成准周期的冲击序列。发清音时，声带松弛，相当于发出一个随机噪声。图1-2产生语音的激励模型，人耳是声音的感知qi官，分为外耳、中耳和内耳三部分。外耳的作用包括声源的定位和声音的放大。外耳包含耳翼和外耳道，耳翼的作用是保护耳孔，并具有定向作用。外耳道同其他管道一样也有共振频率，大约是3400Hz。鼓膜位于外耳道内端，声音的振动通过鼓膜传到内耳。中耳由三块听小骨组成，作用包括放大声压和保护内耳。中耳通过咽鼓管与鼻腔相通，其作用是调节中耳压力。内耳的耳蜗实现声振动到神经冲动的转换，并传递到大脑。

    Siri、Alexa等虚拟助手的出现，让自动语音识别系统得到了更广的运用与发展。自动语音识别(ASR)是一种将口语转换为文本的过程。该技术正在不断应用于即时通讯应用程序、搜索引擎、车载系统和家庭自动化中。尽管所有这些系统都依赖于略有不同的技术流程，但这些所有系统的第一步都是相同的：捕获语音数据并将其转换为机器可读的文本。但ASR系统如何工作？它如何学会辨别语音？本文将简要介绍自动语音识别。我们将研究语音转换成文本的过程、如何构建ASR系统以及未来对ASR技术的期望。那么，我们开始吧！ASR系统：它们如何运作？因此，从基础层面来看，我们知道自动语音识别看起来如下：音频数据输入，文本数据输出。但是，从输入到输出，音频数据需要变成机器可读的数据。这意味着数据通过声学模型和语言模型进行发送。这两个过程是这样的：声学模型确定了语言中音频信号和语音单位之间的关系，而语言模型将声音与单词及单词序列进行匹配。这两个模型允许ASR系统对音频输入进行概率检查，以预测其中的单词和句子。然后，系统会选出具有**高置信度等级的预测。**有时语言模型可以优先考虑某些因其他因素而被认为更有可能的预测。因此，如果通过ASR系统运行短语。在另一个视频中走得快，或者即使在一次观察过程中有加速和减速，也可以检测到行走模式的相似性。

    但是已经能够在各个真实场景中普遍应用并且得到规模验证。更进一步的是，技术和产业之间形成了比较好的正向迭代效应，落地场景越多，得到的真实数据越多，挖掘的用户需求也更准确，这帮助了语音识别技术快速进步，也基本满足了产业需求，解决了很多实际问题，这也是语音识别相对其他AI技术为明显的优势。不过，我们也要看到，语音识别的内涵必须不断扩展，狭义语音识别必须走向广义语音识别，致力于让机器听懂人类语言，这才能将语音识别研究带到更高维度。我们相信，多技术、多学科、多传感的融合化将是未来人工智能发展的主流趋势。在这种趋势下，我们还有很多未来的问题需要探讨，比如键盘、鼠标、触摸屏和语音交互的关系怎么变化？搜索、电商、社交是否再次重构？硬件是否逆袭变得比软件更加重要？产业链中的传感、芯片、操作系统、产品和内容厂商之间的关系又该如何变化？。大多数人会认为研发语音识别技术是一条艰难的道路，投入会巨大，道路会很漫长。山西语音识别代码

而这也是语音识别技术当前发展比较火热的原因。深圳信息化语音识别介绍

    并能产生兴趣投身于这个行业。语音识别的技术历程现代语音识别可以追溯到1952年，Davis等人研制了能识别10个英文数字发音的实验系统，从此正式开启了语音识别的进程。语音识别发展已经有70多年，但从技术方向上可以大体分为三个阶段。从1993年到2017年在Switchboard上语音识别率的进展情况，从图中也可以看出1993年到2009年，语音识别一直处于GMM-HMM时代，语音识别率提升缓慢，尤其是2000年到2009年语音识别率基本处于停滞状态；2009年随着深度学习技术，特别是DNN的兴起，语音识别框架变为DNN-HMM，语音识别进入了DNN时代，语音识别准率得到了提升；2015年以后，由于“端到端”技术兴起，语音识别进入了百花齐放时代，语音界都在训练更深、更复杂的网络，同时利用端到端技术进一步大幅提升了语音识别的性能，直到2017年微软在Swichboard上达到词错误率，从而让语音识别的准确性超越了人类，当然这是在一定限定条件下的实验结果，还不具有普遍性。GMM-HMM时代70年代，语音识别主要集中在小词汇量、孤立词识别方面，使用的方法也主要是简单的模板匹配方法，即首先提取语音信号的特征构建参数模板，然后将测试语音与参考模板参数进行一一比较和匹配。深圳信息化语音识别介绍