PRODUCTS
在咱们的日子中，言语是传递信息最重要的办法，它能够让人们之间相互了解。人和机器之间的交互也是相同的道理，让机器人知道人类要做什么、怎么做。交互的办法有动作、文本或语音等等，其间语音交互越来越被注重，由于跟着互联网上智能硬件的遍及，发生了各种互联网的进口办法，而语音是最简略、最直接的交互办法，是最通用的输入方式。
在 1952 年，贝尔研讨所研制了国际上榜首个能辨认 10 个英文数字发音的体系。1960 年英国的 Denes 等人研制了国际上榜首个语音辨认（ASR）体系。大规模的语音辨认研讨始于 70 时代，并在单个词的辨认方面取得了实质性的开展。上世纪 80 时代今后，语音辨认研讨的要点逐渐转向更通用的大词汇量、非特定人的接连语音辨认。
90 时代以来，语音辨认的研讨一向没有太大前进。可是，在语音辨认技能的运用及产品化方面取得了较大的开展。自 2009 年以来，得益于深度学习研讨的打破以及许多语音数据的堆集，语音辨认技能得到了日新月异的开展。
深度学习研讨运用预练习的多层神经网络，进步了声学模型的精确率。微软的研讨人员首要取得了打破性开展，他们运用深层神经网络模型后，语音辨认错误率下降了三分之一，成为近 20 年来语音辨认技能方面最快的前进。
别的，跟着手机等移动终端的遍及，多个途径堆集了许多的文本语料或语音语料，这为模型练习供给了根底，使得构建通用的大规模言语模型和声学模型成为或许。在语音辨认中，丰厚的样本数据是推进体系功用快速进步的重要条件，可是语料的标示需求长时刻的堆集和沉积，大规模语料资源的堆集需求被进步到战略高度。
今日，语音辨认在移动端和音箱的运用上最为炽热，语音谈天机器人、语音帮手等软件层出不穷。许多人初度触摸语音辨认或许归功于苹果手机的语音帮手 Siri。
Siri 技能来源于美国国防部高档研讨规划局（DARPA）的 CALO 方案：初衷是一个让军方简化处理深重杂乱的业务，并具有认知才干进行学习、安排的数字助理，其民用版即为 Siri 虚拟个人助理。
Siri 公司成立于 2007 年，开始是以文字谈天服务为主，之后与大名鼎鼎的语音辨认厂商 Nuance 协作完成了语音辨认功用。2010 年，Siri 被苹果收买。2011 年苹果将该技能伴随 iPhone 4S 发布，之后对 Siri 的功用仍在不断进步完善。现在，Siri 成为苹果 iPhone 上的一项语音操控功用，能够让手机变身为一台智能化机器人。经过自然言语的语音输入，能够调用各种 APP，如天气预报、地图导航、材料检索等，还能够经过不断学习改进功用，供给对话式的应对服务。
语音辨认技能是让机器经过辨认把语音信号转变为文本，然后经过了解转变为指令的技能。意图便是给机器赋予人的听觉特性，听懂人说什么，并作出相应的行为。语音辨认体系一般由声学辨认模型和言语了解模型两部分组成，别离对应语音到音节和音节到字的核算。一个接连语音辨认体系（如下图）大致包括了四个首要部分：特征提取、声学模型、言语模型和解码器等。
对输入的原始语音信号进行处理，滤除掉其间的不重要信息以及布景噪声，并进行语音信号的端点检测（也便是找出语音信号的始末）、语音分帧（能够近似了解为，一段语音就像是一段视频，由许多帧的有序画面构成，能够将语音信号切开为单个的 画面 进行剖析）等处理。
在去除语音信号中关于语音辨认无用的冗余信息后，保存能够反映语音本质特征的信息进行处理，并用必定的方式表明出来。也便是提取出反映语音信号特征的要害特征参数构成特征矢量序列，以便用于后续处理。
声学模型能够了解为是对声响的建模，能够把语音输入转换成声学表明的输出，精确的说，是给出语音归于某个声学符号的概率。根据练习语音库的特征参数练习出声学模型参数。在辨认时能够将待辨认的语音的特征参数与声学模型进行匹配，得到辨认成果。现在的干流语音辨认体系多选用隐马尔可夫模型 HMM 进行声学模型建模。
言语模型是用来核算一个语句呈现概率的模型，简略地说，便是核算一个语句在语法上是否正确的概率。由于语句的结构往往是规则的，前面呈现的词常常预示了后方或许呈现的词语。它首要用于决议哪个词序列的或许性更大，或许在呈现了几个词的时分猜测下一个行将呈现的词语。它界说了哪些词能跟在上一个现已辨认的词的后边（匹配是一个次序的处理进程），这样就能够为匹配进程扫除一些不或许的单词。
言语建模能够有用的结合汉语语法和语义的常识，描绘词之间的内涵联系，然后进步辨认率，削减查找规模。对练习文本数据库进行语法、语义剖析，经过根据计算模型练习得到言语模型。
解码器是指语音技能中的辨认进程。针对输入的语音信号，根据己经练习好的 HMM 声学模型、言语模型及字典树立一个辨认网络，根据查找算法在该网络中寻觅最佳的一条途径，这个途径便是能够以最大概率输出该语音信号的词串，这样就确认这个语音样本所包括的文字了。所以，解码操作即指查找算法，即在解码端经过查找技能寻觅最优词串的办法。
接连语音辨认中的查找，便是寻觅一个词模型序列以描绘输入语音信号，然后得到词解码序列。查找所根据的是对公式中的声学模型打分和言语模型打分。在实际运用中，往往要根据经历给言语模型加上一个高权重，并设置一个长词赏罚分数。
语音辨认本质上是一种方式辨认的进程，不知道语音的方式与已知语音的参阅方式逐个进行比较，最佳匹配的参阅方式被作为辨认成果。当今语音辨认技能的干流算法，首要有根据动态时刻规整（DTW）算法、根据非参数模型的矢量量化（VQ）办法、根据参数模型的隐马尔可夫模型（HMM）的办法、以及近年来根据深度学习和支撑向量机等语音辨认办法。
现在开源国际里供给了多种不同的语音辨认东西包，为开发者构建运用供给了很大协助。但这些东西各有好坏，需求根据详细状况挑选运用。下表为现在相对盛行的东西包间的比照，大多根据传统的 HMM 和 N-Gram 言语模型的开源东西包。
关于普通用户而言，大多数人都会知道 Siri 或 Cortana 这样的产品。而关于研制工程师来说，更灵敏、更具专心性的处理方案更契合需求，许多公司都会研制自己的语音辨认东西。
（1）CMU Sphinix 是卡内基梅隆大学的研讨成果。已有 20 年前史了，在 Github 和 SourceForge 上都现已开源了，而且两个平台上都有较高的活跃度。
（2）Kaldi 从 2009 年的研讨会起就有它的学术根基了，现在现已在 GitHub 上开源，开发活跃度较高。
（3）HTK 始于剑桥大学，现已商用较长时刻，可是现在版权现已不再开源软件了。它的最新版别更新于 2015 年 12 月。
（4）Julius 起源于 1997 年，最终一个主版别发布于 2016 年 9 月，首要支撑的是日语。
（5）ISIP 是榜首个最新型的开源语音辨认体系，源于密西西比州立大学。它首要开展于 1996 到 1999 年间，最终版别发布于 2011 年，惋惜的是，这个项目现已不复存在。
比方，各地方言的差异，每个人独有的发音习气等，如下图所示，口腔中元音跟着舌头部位的不同能够宣布多种腔调，假如组合变化无常的子音，能够发生许多的、类似的发音，这对语音辨认提出了应战。除掉口音良莠不齐，输入设备不一致也导致了语音输入的不规范。
噪声环境的各类声源处理是现在公认的技能难题，机器无法从各层次的布景噪音平分辨出人声，而且，布景噪声千差万别，练习的状况也不能彻底匹配实在环境。因此，语音辨认在噪声中比在安静的环境下要难得多。
现在干流的技能思路是，经过算法进步下降差错。首要，在搜集的原始语音中，提取抗噪性较高的语音特征。然后，在模型练习的时分，结合噪声处理算法练习语音模型，使模型在噪声环境里的鲁棒性较高。最终，在语音解码的进程中进行多重挑选，然后进步语音辨认在噪声环境中的精确率。彻底消除噪声的搅扰，现在而言，还停留在理论层面。
辨认体系中的言语模型、词法模型在大词汇量、接连语音辨认中还不能彻底正确的发挥作用，需求有用地结合言语学、心理学及生理学等其他学科的常识。而且，语音辨认体系从实验室演示体系向产品的转化进程中还有许多详细细节技能问题需求处理。
今日，许多用户现已能享受到语音辨认技能带来的便利，比方智能手机的语音操作等。可是，这与完成真实的人机沟通还有适当悠远的间隔。现在，核算机对用户语音的辨认程度不高，人机交互上还存在必定的问题，智能语音辨认体系技能还有很长的一段路要走，有必要取得打破性的开展，才干做到更好的商业运用，这也是未来语音辨认技能的开展方向。
在语音辨认的商业化落地中，需求内容、算法等各个方面的协同支撑，可是杰出的用户体会是商业运用的榜首要素，而辨认算法是进步用户体会的中心要素。现在语音辨认在智能家居、智能车载、智能客服机器人方面有广泛的运用，未来将会深化到学习、日子、作业的各个环节。许多科幻片中的场景正在逐渐走入咱们的往常日子。
本期福利：近来，苏宁金融研讨院发布了《我国居民消费晋级陈述（2019）》，读者可在 苏宁财富资讯 大众号后台回复 2019 消费晋级 ，取得网盘链接和提取码 ~
