語音識別，讓機器聽懂這個世界

原標題：語音識別，讓機器聽懂這個世界

上一期《從模仿到超越，視覺智能下一步會怎樣進化？》，我們介紹了機器的“眼睛”——視覺識別，這一期我們來分析機器的“耳朵”——語音識別能力。

語音識別能帶來什么？

• 場景一。打開電視，不再需要遙控器，坐在沙發(fā)上說一聲“打開電視”就可以盡情觀賞。類似的場景，還有空調、機頂盒、音箱、機器人……
• 場景二。跟朋友用手機聊天，打字太慢又不準確還浪費時間，語音輸入實時轉成文字，讓朋友一目了然，比語音信息更直接。

從這兩個簡單的場景，你就發(fā)現，語音識別技術已經在社會生活的方方面面發(fā)揮作用。

“什么是語音識別？語音識別是完成從語音信息到機器可識別文本信息的轉化過程。”

語音識別，像耳朵一樣進化著

語音識別就是讓機器擁有“耳朵”。當然，不是簡單的給機器裝臺收音器就可以實現，它需要不斷的進化。

這就好像是人的聽覺系統(tǒng)的成長。一個出生的嬰兒能聽到聲音，但是聽不懂，往后隨著年齡的增長，不斷的學習、訓練，能聽懂的東西越來越多。

機器的語音識別也有類似的成長過程。

語音識別技術的研究最早可以追溯到上世紀50年代，當時的效果并不好。

直到21世紀初，特別是近10年，借助機器學習領域深度學習研究的發(fā)展，以及大數據語料的積累，語音識別技術才有了突飛猛進的發(fā)展。

如今，語音識別的正確率已經接近甚至部分超過了人類。比如，2017年，IBM、微軟相繼宣稱自家產品的語音識別錯誤率接近了人類，人類的語音識別錯誤率大約為5.1%，而百度更是通過像百度大腦中語音語義一體化這樣的技術，把語音識別錯誤率控制在了3%左右。

封閉域識別：規(guī)定情境對話

根據識別內容的范圍，語音識別可分為“封閉域識別”和“開放域識別”兩大類。

封閉域識別，識別范圍為預先指定的字/詞集合，即算法只在開發(fā)者預先設定的封閉域識別詞的集合內進行語音識別，對范圍之外的語音會拒識。

因此，可將其聲學模型和語言模型進行裁剪，使得識別引擎的運算量變小。并且，可將引擎封到嵌入式芯片或者本地化的SDK中，從而使識別過程完全脫離云端，擺脫對網絡的依賴，并且不會影響識別率。

典型的應用場景是，不涉及到多輪交互和多種語義說法的場景。

比如，智能家居，主要指只能進行簡單指令交互的智能家居和電視盒子，語音控制指令一般只有“打開窗簾”、“打開電視”等，或者語音喚醒功能“小度小度”。

開放域識別：放開了說，機器接得住

開放域識別，無需預先指定識別詞集合，算法將在整個語言大集合范圍中進行識別。

為適應此類場景，聲學模型和語言模型一般都比較大，引擎運算量也較大。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品。

具體而言，開放域識別按照音頻錄入和結果獲取方式又可將產品形態(tài)分為3種：

• 產品形態(tài)一：流式上傳-同步獲取，應用/軟件會對說話人的語音進行自動錄制，并將其連續(xù)上傳至云端，說話人在說完話的同時能實時地看到返回的文字。

典型應用場景：語音輸入法、實時字幕、語音筆記。

• 產品形態(tài)二：已錄制音頻文件上傳-異步獲取，音頻時長一般小于5小時。

典型應用場景：音/視頻字幕配置、實時性要求不高的客服語音質檢和語音內容審查等。

• 產品形態(tài)三：已錄制音頻文件上傳-同步獲取，音頻時長一般小于1分鐘。

典型應用場景：語音搜索、更智能的機器人語音交互。

當前，百度語音識別技術已經全面開放，包括語音識別、長語音識別、遠場語音識別、呼叫中心實時語音識別、呼叫中心音頻文件轉寫五大類別，數十項基礎技術，并服務于眾多開發(fā)者。

通過這樣的介紹，你大概了解到計算機的“耳朵”是如何練成的吧。如果在實踐中，智能音箱這類產品聽不懂你的話，你可以多說幾遍，像對待孩子那樣。只要這樣，智能音箱就會越來越懂你。

關注百度云微信公眾號，了解更多。

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。