AI應(yīng)用 | 語音識別，讓機器聽懂這個世界
　　
　　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(diào)、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(zhǔn)確還浪費時間，語音輸入實時轉(zhuǎn)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(xiàn)，語音識別技術(shù)已經(jīng)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(zhuǎn)化過程。
　　
　　語音識別，像耳朵一樣進(jìn)化著
　　
　　語音識別就是讓機器擁有耳朵。當(dāng)然，不是簡單的給機器裝臺收音器就可以實現(xiàn)，它需要不斷的進(jìn)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(xué)習(xí)、訓(xùn)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(shù)的研究最早可以追溯到上世紀(jì)50年代，當(dāng)時的效果并不好。
　　
　　直到21世紀(jì)初，特別是近10年，借助機器學(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)語料的積累，語音識別技術(shù)才有了突飛猛進(jìn)的發(fā)展。
　　
　　如今，語音識別的正確率已經(jīng)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(chǎn)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(shù)，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(jù)識別內(nèi)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(yù)先指定的字/詞集合，即算法只在開發(fā)者預(yù)先設(shè)定的封閉域識別詞的集合內(nèi)進(jìn)行語音識別，對范圍之外的語音會拒識。
　　
　　因此，可將其聲學(xué)模型和語言模型進(jìn)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(wǎng)絡(luò)的依賴，并且不會影響識別率。
　　
　　典型的應(yīng)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(jìn)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(yù)先指定識別詞集合，算法將在整個語言大集合范圍中進(jìn)行識別。
　　
　　為適應(yīng)此類場景，聲學(xué)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(chǎn)品。
　　
　　具體而言，開放域識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/軟件會對說話人的語音進(jìn)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(yīng)用場景：語音輸入法、實時字幕、語音筆記。
　　
　　產(chǎn)品形態(tài)二：已錄制音頻文件上傳-異步獲取，音頻時長一般小于5小時。
　　
　　典型應(yīng)用場景：音/視頻字幕配置、實時性要求不高的客服語音質(zhì)檢和語音內(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，音頻時長一般小于1分鐘。
　　
　　典型應(yīng)用場景：語音搜索、更智能的機器人語音交互。
　　
　　當(dāng)前，百度語音識別技術(shù)已經(jīng)全面開放，包括語音識別、長語音識別、遠(yuǎn)場語音識別、呼叫中心實時語音識別、呼叫中心音頻文件轉(zhuǎn)寫五大類別，數(shù)十項基礎(chǔ)技術(shù)，并服務(wù)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(chǎn)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。