国产一级a片免费看高清,亚洲熟女中文字幕在线视频,黄三级高清在线播放,免费黄色视频在线看

語音識(shí)別是十年來發(fā)展最快的技術(shù)之一，隨著AI的不斷發(fā)展，深度學(xué)習(xí)讓語音識(shí)別技術(shù)得到了質(zhì)的飛躍，開始從實(shí)驗(yàn)室走向市場(chǎng)，并逐步走到人們的生活中。

我們現(xiàn)在所用的語音輸入法，以及以語音為智能交互入口的智能家居，背后都涉及到語音識(shí)別技術(shù)。

今天晚上，我們就來學(xué)習(xí)下本周的新課程 《語音識(shí)別技術(shù)》，有請(qǐng)今天的主講嘉賓：科大訊飛研究院潘嘉老師，掌聲歡迎~

語音識(shí)別技術(shù)是指機(jī)器自動(dòng)將人的語音的內(nèi)容轉(zhuǎn)成文字，又稱 Automatic Speech Recognition，即ASR技術(shù)。

語音識(shí)別是一門交叉的、非常復(fù)雜的學(xué)科，需要具備生理學(xué)、聲學(xué)、信號(hào)處理、計(jì)算機(jī)科學(xué)、模式識(shí)別、語言學(xué)、心理學(xué)等相關(guān)學(xué)科的知識(shí)。

語音識(shí)別的研究是個(gè)漫長(zhǎng)而且艱難的過程，它的發(fā)展可以追溯到20世紀(jì)50年代，1952年貝爾實(shí)驗(yàn)室首次實(shí)現(xiàn)Audrey英文數(shù)字識(shí)別系統(tǒng)，這個(gè)系統(tǒng)當(dāng)時(shí)可以識(shí)別單個(gè)數(shù)字0～9的發(fā)音，并且對(duì)熟人的準(zhǔn)確度高達(dá)90％以上。

在同時(shí)期，MIT、普林斯頓相繼推出少量詞的獨(dú)立詞識(shí)別系統(tǒng)。

1971年美國(guó)國(guó)防部研究所（DARPA）贊助了五年期限的語音理解研究項(xiàng)目，推動(dòng)了語音識(shí)別的一次大發(fā)展。DARPA在整個(gè)科技的發(fā)展過程中扮演了非常重要的角色，它專門給高科技研究項(xiàng)目提供資金支持，包括無人機(jī)、衛(wèi)星等等。

在DARPA的支持下，IBM、卡內(nèi)基梅隆大學(xué)（CMU）、斯坦福等學(xué)術(shù)界和工業(yè)界非常頂級(jí)的研究機(jī)構(gòu)也都加入到語音識(shí)別的研究中去。

其中，卡耐基梅隆大學(xué)研發(fā)出harpy語音識(shí)別系統(tǒng)，該系統(tǒng)能夠識(shí)別1011個(gè)單詞，在這個(gè)時(shí)期大詞匯量的孤立詞識(shí)別取得實(shí)質(zhì)性進(jìn)展。

到了1980年，語音識(shí)別技術(shù)已經(jīng)從從孤立詞識(shí)別發(fā)展到連續(xù)詞識(shí)別，當(dāng)時(shí)出現(xiàn)了兩項(xiàng)非常重要的技術(shù)：隱馬爾科夫模型（ HMM ）、N-gram語言模型。

1990年，大詞匯量連續(xù)詞識(shí)別持續(xù)進(jìn)步，提出了區(qū)分性的模型訓(xùn)練方法MCE和MMI，使得語音識(shí)別的精確度日益提高，尤其適用于長(zhǎng)句子的情況下，與此同時(shí)，還提出了模型自適應(yīng)方法MAP和MLLR。

在工業(yè)方面，劍橋推出首個(gè)開源的語音識(shí)別訓(xùn)練工具HTK，在商業(yè)方面，Nuance發(fā)布了首個(gè)消費(fèi)級(jí)產(chǎn)品Dragon Dictate。

到了21世紀(jì)，隨著深度學(xué)習(xí)的不斷發(fā)展，神經(jīng)網(wǎng)絡(luò)之父Hinton提出深度置信網(wǎng)絡(luò)（ DBN ），2009年， Hinton和學(xué)生Mohamed將深度神經(jīng)網(wǎng)絡(luò)應(yīng)用于語音識(shí)別，在小詞匯量連續(xù)語音識(shí)別任務(wù)TIMIT上獲得成功。

從20世紀(jì)80年代開始，現(xiàn)在語音識(shí)別采用模式識(shí)別的基本框架，分為數(shù)據(jù)準(zhǔn)備、特征提取、模型訓(xùn)練、測(cè)試應(yīng)用這4個(gè)步驟，在這里我們主要來講解下模型訓(xùn)練和測(cè)試應(yīng)用。

模型經(jīng)過訓(xùn)練之后，一段待測(cè)的語音需要經(jīng)過信號(hào)處理和特征提取，然后利用訓(xùn)練好的聲學(xué)模型和語言模型，分別求得聲學(xué)模型和語言模型得分，然后綜合這2個(gè)得分，進(jìn)行候選的搜索，最后得出語言識(shí)別的結(jié)果。

公式表達(dá)如圖所示

接下來我們來看下語言模型，語言模型的物理意義反映字詞出現(xiàn)的先驗(yàn)概率，比如“郝”和“好”，這兩個(gè)字發(fā)音相同，但“郝”相對(duì)于“好”來說，出現(xiàn)的概率較低，一般都會(huì)出現(xiàn)在姓氏里。

除此之外，語言模型的物理意義還在于反映詞順序是否符合語言習(xí)慣和反映詞的語義信息。

了解了語言模型的物理意義，我們來看下語言模型的建模，傳統(tǒng)語言模型采用N-gram的做法，語言模型是對(duì)文本序列的先驗(yàn)概率進(jìn)行建模，用以下公式表示：

??(??)=??(??1 ??2 …w?? )=??(??1 )??(??2│??1 )…??(???? |??(1:???1))

我們按照全概率空間展開，可以表示為第一個(gè)詞出現(xiàn)的概率??(??1)乘以第一個(gè)詞出現(xiàn)之后，第二個(gè)詞的概率??(??2│??1 )，以此類推一直到第n個(gè)詞。

對(duì)于這樣一個(gè)全概率空間，我們對(duì)它進(jìn)行N-階馬爾科夫假設(shè)，即每個(gè)詞出現(xiàn)的概率只和最近的N個(gè)歷史詞有關(guān)，根據(jù)這樣一個(gè)假設(shè)，上面表示先驗(yàn)概率中的每一項(xiàng)都可以做這樣一個(gè)近似：

比如我們需要求1-階馬爾科夫假設(shè)，用以下公式即可很方便的算出結(jié)果：

這樣一種看似很簡(jiǎn)單的非參數(shù)的計(jì)算方法，卻從20世紀(jì)的80年代一直沿用到今天。

在深度學(xué)習(xí)出現(xiàn)之后，逐漸出現(xiàn)了另一種語言模型——RNNLM。

RNNLM語言模型的流程，之前我們提到過先驗(yàn)概率可以按照全概率空間進(jìn)行展開，我們對(duì)公式中間的每一項(xiàng)都采用同一種深度學(xué)習(xí)模型來建模，就可以表達(dá)成如下結(jié)構(gòu)：

說完了語言模型建模，接下來我們來說下聲學(xué)模型建模，給定了相應(yīng)的文本序列之后，生成相應(yīng)的語音，這是語音識(shí)別技術(shù)中最核心的也是最復(fù)雜的部分。

為了減少同音詞的數(shù)據(jù)共享問題，首先我們會(huì)將文本序列轉(zhuǎn)化成它的發(fā)音序列，做這一步的目的就是加強(qiáng)建模單元的共享性。

在我們對(duì)每一個(gè)發(fā)音單元，比如“xue”里面的韻母做建模的時(shí)候，我們的語音具有不定長(zhǎng)的特性，我們說的快和說的慢的時(shí)候，語音幀的時(shí)長(zhǎng)是不一樣的，對(duì)于這種不定長(zhǎng)的語音建模，這個(gè)時(shí)候就需要引入HMM模型。

HMM模型每一個(gè)語音幀讓我們的每一個(gè)語音幀都對(duì)應(yīng)到HMM模型中的每一個(gè)狀態(tài)，不論多長(zhǎng)的語音都能夠表達(dá)為HMM模型的一個(gè)狀態(tài)序列。

最后只要將HMM模型中的序列和我們語音中的每一幀進(jìn)行一一對(duì)應(yīng)。再將這個(gè)對(duì)應(yīng)關(guān)系，用一個(gè)概率來表達(dá)就可以了。

我們知道語音其實(shí)是非常復(fù)雜多變的，不同的人在說同樣的句子的時(shí)候，會(huì)表現(xiàn)出非常大的差異性。

1980年代的時(shí)候，由于計(jì)算條件的限制，業(yè)內(nèi)一般采用GMM聲學(xué)模型，到了2010年深度學(xué)習(xí)技術(shù)興起，DNN聲學(xué)建模開始取代GMM聲學(xué)建模。

語音識(shí)別技術(shù)早期的應(yīng)用主要是語音聽寫，用戶說一句，機(jī)器識(shí)別一句。后來發(fā)展成語音轉(zhuǎn)寫，隨著AI的發(fā)展，語音識(shí)別開始作為智能交互應(yīng)用中的一環(huán)。

下面我們就來一一介紹這些應(yīng)用：

首先我們來看下語音聽寫，語音聽寫中最為典型的案例就是訊飛輸入法，除此之外，語音聽寫的應(yīng)用還有語音病例系統(tǒng)。

醫(yī)生佩戴上訊飛定制的麥克風(fēng)，在給病人診斷時(shí)，會(huì)將病情、用藥、需要注意事項(xiàng)等信息說出來，機(jī)器將醫(yī)生說的話自動(dòng)識(shí)別出來，生成病例。

關(guān)于語音轉(zhuǎn)寫的應(yīng)用，我們也舉兩個(gè)產(chǎn)品的例子，一是訊飛語記，另一個(gè)是訊飛聽見。

訊飛語記是一款A(yù)PP，它能夠?qū)⑽覀兯f的語音記錄成文字，訊飛聽見會(huì)議系統(tǒng)能夠?qū)崟r(shí)的根據(jù)演講者所說的內(nèi)容準(zhǔn)確識(shí)別出來，并且實(shí)時(shí)投影在我們的大屏幕上。

關(guān)于語音交互的產(chǎn)品有很多，比如訊飛推出的訊飛翻譯機(jī)、能夠和小朋友進(jìn)行互動(dòng)的阿法蛋、以及可以進(jìn)行聊天交流的叮咚音箱等。