广州自主可控语音识别介绍

    纯粹从语音识别和自然语言理解的技术乃至功能的视角看这款产品，相对于等并未有什么本质性改变，变化只是把近场语音交互变成了远场语音交互。正式面世于销量已经超过千万，同时在扮演类似角色的渐成生态，其后台的第三方技能已经突破10000项。借助落地时从近场到远场的突破，亚马逊一举从这个赛道的落后者变为行业。但自从远场语音技术规模落地以后，语音识别领域的产业竞争已经开始从研发转为应用。研发比的是标准环境下纯粹的算法谁更有优势，而应用比较的是在真实场景下谁的技术更能产生优异的用户体验，而一旦比拼真实场景下的体验，语音识别便失去存在的价值，更多作为产品体验的一个环节而存在。语音识别似乎进入了一个相对平静期，在一路狂奔过后纷纷开始反思自己的定位和下一步的打法。语音赛道里的标志产品——智能音箱，以一种***的姿态出现在大众面前。智能音箱玩家们对这款产品的认识还都停留在：亚马逊出了一款产品，功能类似。

    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。广州自主可控语音识别介绍

    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，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。内蒙古语音识别系统语音识别是项融多学科知识的前沿技术，覆盖数学与统计学、声学与语言学、计算机与人工智能等基础前沿学科。

    包括语法词典的构建、语音识别引擎的初始化配置、音频数据的采集控制和基本语义的解析等；应用数据库是用户的数据中心，作为语音识别数据的源头，语音控制模块从中提取用户关键数据，并以此为基础构建本地语法词典；语音识别离线引擎是语音转换为文字的关键模块，支持在离线的情况下，根据本地构建的语法网络，完成非特定人连续语音识别功能，同时具备语音数据前、后端点检测、声音除噪处理、识别门限设置等基本功能；音频采集在本方案中属于辅助模块，具备灵活、便捷的语音控制接口，支持在不同采样要求和采样环境中，对实时音频数据的采集。（2）关键要素分析本方案工作于离线的网络环境中，语音数据的采集、识别和语义的解析等功能都在终端完成，因此设备性能的优化和语音识别的准度尤为重要。在具体的实现过程中，存在以下要素需要重点关注。（1）用户构建的语法文档在引擎系统初始化时，编译成语法网络送往语音识别器，语音识别器根据语音数据的特征信息，在识别网络上进行路径匹配，识别并提取用户语音数据的真实信息，因此语法文档的语法结构是否合理，直接关系到识别准确率的高低；（2）应用数据库是作为语音识别数据的源头，其中的关键数据如果有变化。

    业界大部分都是按照静态解码的方式进行，即将声学模型和语言模型构造成WFST网络，该网络包含了所有可能路径，解码就是在该空间进行搜索的过程。由于该理论相对成熟，更多的是工程优化的问题，所以不论是学术还是产业目前关注的较少。语音识别的技术趋势语音识别主要趋于远场化和融合化的方向发展，但在远场可靠性还有很多难点没有突破，比如多轮交互、多人噪杂等场景还有待突破，还有需求较为迫切的人声分离等技术。新的技术应该彻底解决这些问题，让机器听觉远超人类的感知能力。这不能只是算法的进步，需要整个产业链的共同技术升级，包括更为先进的传感器和算力更强的芯片。单从远场语音识别技术来看，仍然存在很多挑战，包括：（1）回声消除技术。由于喇叭非线性失真的存在，单纯依靠信号处理手段很难将回声消除干净，这也阻碍了语音交互系统的推广，现有的基于深度学习的回声消除技术都没有考虑相位信息，直接求取的是各个频带上的增益，能否利用深度学习将非线性失真进行拟合，同时结合信号处理手段可能是一个好的方向。（2）噪声下的语音识别仍有待突破。信号处理擅长处理线性问题，深度学习擅长处理非线性问题，而实际问题一定是线性和非线性的叠加。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。

    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。我们一般理解的语音识别其实都是狭义的语音转文字的过程，简称语音转文本识别。四川实时语音识别

伴随着语音识别系统走向实用化，语音识别在细化模型的设计、参数提取和优化、系统的自适应方面取得进展。广州自主可控语音识别介绍

    3）上述两个问题的共性是目前的深度学习用到了语音信号各个频带的能量信息，而忽略了语音信号的相位信息，尤其是对于多通道而言，如何让深度学习更好的利用相位信息可能是未来的一个方向。（4）另外，在较少数据量的情况下，如何通过迁移学习得到一个好的声学模型也是研究的热点方向。例如方言识别，若有一个比较好的普通话声学模型，如何利用少量的方言数据得到一个好的方言声学模型，如果做到这点将极大扩展语音识别的应用范畴。这方面已经取得了一些进展，但更多的是一些训练技巧，距离目标还有一定差距。（5）语音识别的目的是让机器可以理解人类，因此转换成文字并不是终的目的。如何将语音识别和语义理解结合起来可能是未来更为重要的一个方向。语音识别里的LSTM已经考虑了语音的历史时刻信息，但语义理解需要更多的历史信息才能有帮助，因此如何将更多上下文会话信息传递给语音识别引擎是一个难题。（6）让机器听懂人类语言，靠声音信息还不够，“声光电热力磁”这些物理传感手段，下一步必然都要融合在一起，只有这样机器才能感知世界的真实信息，这是机器能够学习人类知识的前提条件。而且，机器必然要超越人类的五官，能够看到人类看不到的世界。

     广州自主可控语音识别介绍