語音識別技術(shù)飛速發(fā)展，又取得了幾個突破性的進展。1970年，來自前蘇聯(lián)的Velichko和Zagoruyko將模式識別的概念引入語音識別中。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，成功地使用動態(tài)規(guī)劃算法將兩段不同長度的語音在時間軸上進行了對齊，這就是我們現(xiàn)在經(jīng)常提到的動態(tài)時間規(guī)整(DynamicTimeWarping，DTW)。該算法把時間規(guī)整和距離的計算有機地結(jié)合起來，解決了不同時長語音的匹配問題。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)的提出完善了語音識別的理論研究，并且使得孤立詞語音識別系統(tǒng)達到了一定的實用性。此后，以IBM公司和Bell實驗室為的語音研究團隊開始將研究重點放到大詞匯量連續(xù)語音識別系統(tǒng)(LargeVocabularyContinuousSpeechRecognition，LVCSR)，因為這在當時看來是更有挑戰(zhàn)性和更有價值的研究方向。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，該項工作對于語音編碼技術(shù)具有重大意義。語音識別是項融合多學(xué)科知識的前沿技術(shù)，覆蓋了數(shù)學(xué)與統(tǒng)計學(xué)、聲學(xué)與語言學(xué)、計算機與人工智能等基礎(chǔ)學(xué)科。山西英語語音識別

英國倫敦大學(xué)的科學(xué)家Fry和Denes等人di一次利用統(tǒng)計學(xué)的原理構(gòu)建出了一個可以識別出4個元音和9個輔音的音素識別器。在同一年，美國麻省理工學(xué)院林肯實驗室的研究人員則shou次實現(xiàn)了可以針對非特定人的可識別10個元音音素的識別器。語音識別技術(shù)的發(fā)展歷史，主要包括模板匹配、統(tǒng)計模型和深度學(xué)習(xí)三個階段。di一階段：模板匹配(DTW)20世紀60年代，一些重要的語音識別的經(jīng)典理論先后被提出和發(fā)表出來。1964年，Martin為了解決語音時長不一致的問題，提出了一種時間歸一化的方法，該方法可以可靠地檢測出語音的端點，這可以有效地降低語音時長對識別結(jié)果的影響，使語音識別結(jié)果的可變性減小了。1966年，卡耐基梅隆大學(xué)的Reddy利用動態(tài)音素的方法進行了連續(xù)語音識別，這是一項開創(chuàng)性的工作。1968年，前蘇聯(lián)科學(xué)家Vintsyukshou次提出將動態(tài)規(guī)劃算法應(yīng)用于對語音信號的時間規(guī)整。雖然在他的工作中，動態(tài)時間規(guī)整的概念和算法原型都有體現(xiàn)，但在當時并沒有引起足夠的重視。這三項研究工作，為此后幾十年語音識別的發(fā)展奠定了堅實的基礎(chǔ)。雖然在這10年中語音識別理論取得了明顯的進步。但是這距離實現(xiàn)真正實用且可靠的語音識別系統(tǒng)的目標依舊十分遙遠。20世紀70年代。深圳移動語音識別標準一個完整的語音識別系統(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模塊。

發(fā)音和單詞選擇可能會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，為ASR系統(tǒng)提供的語音樣本越多，它在識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)境中識別聲音。通過專門的微調(diào)和維護，自動語音識別系統(tǒng)將在使用過程中得到改進。因此，從基本的角度來看，數(shù)據(jù)越多越好。的確，目前進行的研究和優(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。幸運的是，得益于數(shù)據(jù)集存儲庫的數(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，未來自動語音識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。虛擬助手、車載系統(tǒng)和家庭自動化都讓日常生活更加便利，應(yīng)用范圍也可能擴大。隨著越來越多的人接納這些服務(wù)，技術(shù)將進一步發(fā)展。除上述示例之外，自動語音識別在各種有趣的領(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)用到端到端語音識別系統(tǒng)中，也取得了非常明顯的改進效果。另外，生成式對抗網(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"，文中提出了一個通過對抗過程估計生成模型框架的全新方法。通過對抗學(xué)習(xí)，GAN可用于提升語音識別的噪聲魯棒性。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。從一個更高的角度來看待語音識別的研究歷程，從HMM到GMM，到DNN，再到CTC和Attention，這個演進過程的主線是如何利用一個網(wǎng)絡(luò)模型實現(xiàn)對聲學(xué)模型層面更準的刻畫。換言之，就是不斷嘗試更好的建模方式以取代基于統(tǒng)計的建模方式。在2010年以前，語音識別行業(yè)水平普遍還停留在80%的準確率以下。機器學(xué)習(xí)相關(guān)模型算法的應(yīng)用和計算機性能的增強，帶來了語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，識別準確率還只有77%，然而到2017年5月時，基于谷歌深度學(xué)習(xí)的英語語音識別錯誤率已經(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互動接口之一。

使用語音識別功能之前，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/郵箱賬號，接收驗證碼，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，準確率高達98%。特意找了一段聽起來十分晦澀、拗口的話來測試，先清點VOICEM380的語音識別鍵。此時電腦右下角出現(xiàn)小彈框，進入語音接收階段。以正常語速隨便讀了一下，轉(zhuǎn)化效果非常好，實現(xiàn)零誤差；而且對于智能語音識別中的“智能”也有了很好的詮釋，如動圖，有些人名、專有名詞不能在一時間正確輸出，但會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VOICEM380的語音識別鍵，進入“識別”階段，個人感覺，更像是對于剛剛輸出的內(nèi)容進行后的整合；如果剛剛的輸出有出現(xiàn)標點錯亂、錯別字的現(xiàn)象，會在這個識別階段，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別也達到了可用狀態(tài)。山西語音識別工具

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

用來描述雙重隨機過程。HMM有算法成熟、效率高、易于訓(xùn)練等優(yōu)點，被應(yīng)用于語音識別、手寫字識別和天氣預(yù)報等多個領(lǐng)域，目前仍然是語音識別中的主流技術(shù)。HMM包含S1、S2、S3、S4和S55個狀態(tài)，每個狀態(tài)對應(yīng)多幀觀察值，這些觀察值是特征序列(o1、o2、o3、o4,...,oT)，沿時刻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可用高斯分布表示，包括語音信號。由于不同人發(fā)音會存在較大差異，具體表現(xiàn)是，每個狀態(tài)對應(yīng)的觀察值序列呈現(xiàn)多樣化，單純用一個高斯函數(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，每個狀態(tài)對應(yīng)的GMM由2個高斯函數(shù)組合而成。其能夠?qū)?fù)雜的語音變化情況進行建模。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)點與所有HMM(包括"a"、"o"等音素)的發(fā)射狀態(tài)一一對應(yīng)，因此可通過DNN的輸出得到每個狀態(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)用于語音識別領(lǐng)域。山西英語語音識別

本文來自義烏創(chuàng)順裝飾工程有限公司：http://www.kdqf.com.cn/Article/87c97298940.html