上一期《從模仿到超越，視覺(jué)智能下一步會(huì)怎樣進(jìn)化？》，我們介紹了機(jī)器的“眼睛”——視覺(jué)識(shí)別，這一期我們來(lái)分析機(jī)器的“耳朵”——語(yǔ)音識(shí)別能力。

  語(yǔ)音識(shí)別能帶來(lái)什么？

場(chǎng)景一。打開(kāi)電視，不再需要遙控器，坐在沙發(fā)上說(shuō)一聲“打開(kāi)電視”就可以盡情觀賞。類似的場(chǎng)景，還有空調(diào)、機(jī)頂盒、音箱、機(jī)器人…… 場(chǎng)景二。跟朋友用手機(jī)聊天，打字太慢又不準(zhǔn)確還浪費(fèi)時(shí)間，語(yǔ)音輸入實(shí)時(shí)轉(zhuǎn)成文字，讓朋友一目了然，比語(yǔ)音信息更直接。

  從這兩個(gè)簡(jiǎn)單的場(chǎng)景，你就發(fā)現(xiàn)，語(yǔ)音識(shí)別技術(shù)已經(jīng)在社會(huì)生活的方方面面發(fā)揮作用。

  “什么是語(yǔ)音識(shí)別？語(yǔ)音識(shí)別是完成從語(yǔ)音信息到機(jī)器可識(shí)別文本信息的轉(zhuǎn)化過(guò)程。”

  語(yǔ)音識(shí)別，像耳朵一樣進(jìn)化著

  語(yǔ)音識(shí)別就是讓機(jī)器擁有“耳朵”。當(dāng)然，不是簡(jiǎn)單的給機(jī)器裝臺(tái)收音器就可以實(shí)現(xiàn)，它需要不斷的進(jìn)化。

 
這就好像是人的聽(tīng)覺(jué)系統(tǒng)的成長(zhǎng)。一個(gè)出生的嬰兒能聽(tīng)到聲音，但是聽(tīng)不懂，往后隨著年齡的增長(zhǎng)，不斷的學(xué)習(xí)、訓(xùn)練，能聽(tīng)懂的東西越來(lái)越多。

  機(jī)器的語(yǔ)音識(shí)別也有類似的成長(zhǎng)過(guò)程。

  語(yǔ)音識(shí)別技術(shù)的研究最早可以追溯到上世紀(jì)50年代，當(dāng)時(shí)的效果并不好。

  直到21世紀(jì)初，特別是近10年，借助機(jī)器學(xué)習(xí)領(lǐng)域深度學(xué)習(xí)研究的發(fā)展，以及大數(shù)據(jù)語(yǔ)料的積累，語(yǔ)音識(shí)別技術(shù)才有了突飛猛進(jìn)的發(fā)展。

  如今，語(yǔ)音識(shí)別的正確率已經(jīng)接近甚至部分超過(guò)了人類。比如，2017年，IBM、微軟相繼宣稱自家產(chǎn)品的語(yǔ)音識(shí)別錯(cuò)誤率接近了人類，人類的語(yǔ)音識(shí)別錯(cuò)誤率大約為5.1%，而百度更是通過(guò)像百度大腦中語(yǔ)音語(yǔ)義一體化這樣的技術(shù)，把語(yǔ)音識(shí)別錯(cuò)誤率控制在了3%左右。

  封閉域識(shí)別：規(guī)定情境對(duì)話

  根據(jù)識(shí)別內(nèi)容的范圍，語(yǔ)音識(shí)別可分為“封閉域識(shí)別”和“開(kāi)放域識(shí)別”兩大類。

  封閉域識(shí)別，識(shí)別范圍為預(yù)先指定的字/詞 ** ，即算法只在開(kāi)發(fā)者預(yù)先設(shè)定的封閉域識(shí)別詞的 ** 內(nèi)進(jìn)行語(yǔ)音識(shí)別，對(duì)范圍之外的語(yǔ)音會(huì)拒識(shí)。

  因此，可將其聲學(xué)模型和語(yǔ)言模型進(jìn)行裁剪，使得識(shí)別引擎的運(yùn)算量變小。并且，可將引擎封到嵌入式芯片或者本地化的SDK中，從而使識(shí)別過(guò)程完全脫離云端，擺脫對(duì)網(wǎng)絡(luò)的依賴，并且不會(huì)影響識(shí)別率。

  典型的應(yīng)用場(chǎng)景是，不涉及到多輪交互和多種語(yǔ)義說(shuō)法的場(chǎng)景。

  比如，智能家居，主要指只能進(jìn)行簡(jiǎn)單指令交互的智能家居和電視盒子，語(yǔ)音控制指令一般只有“打開(kāi)窗簾”、“打開(kāi)電視”等，或者語(yǔ)音喚醒功能“小度小度”。

  開(kāi)放域識(shí)別：放開(kāi)了說(shuō)，機(jī)器接得住

  開(kāi)放域識(shí)別，無(wú)需預(yù)先指定識(shí)別詞 ** ，算法將在整個(gè)語(yǔ)言大 ** 范圍中進(jìn)行識(shí)別。

  為適應(yīng)此類場(chǎng)景，聲學(xué)模型和語(yǔ)言模型一般都比較大，引擎運(yùn)算量也較大。因此，業(yè)界廠商基本上都只以云端形式提供。比如，百度云就可以提供這樣的產(chǎn)品。

  具體而言，開(kāi)放域識(shí)別按照音頻錄入和結(jié)果獲取方式又可將產(chǎn)品形態(tài)分為3種：

產(chǎn)品形態(tài)一：流式上傳-同步獲取，應(yīng)用/軟件會(huì)對(duì)說(shuō)話人的語(yǔ)音進(jìn)行自動(dòng)錄制，并將其連續(xù)上傳至云端，說(shuō)話人在說(shuō)完話的同時(shí)能實(shí)時(shí)地看到返回的文字。

  典型應(yīng)用場(chǎng)景：語(yǔ)音輸入法、實(shí)時(shí)字幕、語(yǔ)音筆記。

產(chǎn)品形態(tài)二：已錄制音頻文件上傳-異步獲取，音頻時(shí)長(zhǎng)一般小于5小時(shí)。

  典型應(yīng)用場(chǎng)景：音/視頻字幕配置、實(shí)時(shí)性要求不高的客服語(yǔ)音質(zhì)檢和語(yǔ)音內(nèi)容審查等。

產(chǎn)品形態(tài)三：已錄制音頻文件上傳-同步獲取，音頻時(shí)長(zhǎng)一般小于1分鐘。

  典型應(yīng)用場(chǎng)景：語(yǔ)音搜索、更智能的機(jī)器人語(yǔ)音交互。

  當(dāng)前，百度語(yǔ)音識(shí)別技術(shù)已經(jīng)全面開(kāi)放，包括語(yǔ)音識(shí)別、長(zhǎng)語(yǔ)音識(shí)別、遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別、呼叫中心實(shí)時(shí)語(yǔ)音識(shí)別、呼叫中心音頻文件轉(zhuǎn)寫(xiě)五大類別，數(shù)十項(xiàng)基礎(chǔ)技術(shù)，并服務(wù)于眾多開(kāi)發(fā)者。

  通過(guò)這樣的介紹，你大概了解到計(jì)算機(jī)的“耳朵”是如何練成的吧。如果在實(shí)踐中，智能音箱這類產(chǎn)品聽(tīng)不懂你的話，你可以多說(shuō)幾遍，像對(duì)待孩子那樣。只要這樣，智能音箱就會(huì)越來(lái)越懂你。

免責(zé)聲明： 本文章轉(zhuǎn)自其它平臺(tái)，并不代表本站觀點(diǎn)及立場(chǎng)。若有侵權(quán)或異議，請(qǐng)聯(lián)系我們刪除。謝謝！     矽源特科技ChipSourceTek