语音识别，让机器听懂这个世界

原标题：语音识别，让机器听懂这个世界

上一期《从模仿到超越，视觉智能下一步会怎样进化？》，我们介绍了机器的“眼睛”——视觉识别，这一期我们来分析机器的“耳朵”——语音识别能力。

语音识别能带来什么？

• 场景一。打开电视，不再需要遥控器，坐在沙发上说一声“打开电视”就可以尽情观赏。类似的场景，还有空调、机顶盒、音箱、机器人……
• 场景二。跟朋友用手机聊天，打字太慢又不准确还浪费时间，语音输入实时转成文字，让朋友一目了然，比语音信息更直接。

从这两个简单的场景，你就发现，语音识别技术已经在社会生活的方方面面发挥作用。

“什么是语音识别？语音识别是完成从语音信息到机器可识别文本信息的转化过程。”

语音识别，像耳朵一样进化着

语音识别就是让机器拥有“耳朵”。当然，不是简单的给机器装台收音器就可以实现，它需要不断的进化。

这就好像是人的听觉系统的成长。一个出生的婴儿能听到声音，但是听不懂，往后随着年龄的增长，不断的学习、训练，能听懂的东西越来越多。

机器的语音识别也有类似的成长过程。

语音识别技术的研究最早可以追溯到上世纪50年代，当时的效果并不好。

直到21世纪初，特别是近10年，借助机器学习领域深度学习研究的发展，以及大数据语料的积累，语音识别技术才有了突飞猛进的发展。

如今，语音识别的正确率已经接近甚至部分超过了人类。比如，2017年，IBM、微软相继宣称自家产品的语音识别错误率接近了人类，人类的语音识别错误率大约为5.1%，而百度更是通过像百度大脑中语音语义一体化这样的技术，把语音识别错误率控制在了3%左右。

封闭域识别：规定情境对话

根据识别内容的范围，语音识别可分为“封闭域识别”和“开放域识别”两大类。

封闭域识别，识别范围为预先指定的字/词集合，即算法只在开发者预先设定的封闭域识别词的集合内进行语音识别，对范围之外的语音会拒识。

因此，可将其声学模型和语言模型进行裁剪，使得识别引擎的运算量变小。并且，可将引擎封到嵌入式芯片或者本地化的SDK中，从而使识别过程完全脱离云端，摆脱对网络的依赖，并且不会影响识别率。

典型的应用场景是，不涉及到多轮交互和多种语义说法的场景。

比如，智能家居，主要指只能进行简单指令交互的智能家居和电视盒子，语音控制指令一般只有“打开窗帘”、“打开电视”等，或者语音唤醒功能“小度小度”。

开放域识别：放开了说，机器接得住

开放域识别，无需预先指定识别词集合，算法将在整个语言大集合范围中进行识别。

为适应此类场景，声学模型和语言模型一般都比较大，引擎运算量也较大。因此，业界厂商基本上都只以云端形式提供。比如，百度云就可以提供这样的产品。

具体而言，开放域识别按照音频录入和结果获取方式又可将产品形态分为3种：

• 产品形态一：流式上传-同步获取，应用/软件会对说话人的语音进行自动录制，并将其连续上传至云端，说话人在说完话的同时能实时地看到返回的文字。

典型应用场景：语音输入法、实时字幕、语音笔记。

• 产品形态二：已录制音频文件上传-异步获取，音频时长一般小于5小时。

典型应用场景：音/视频字幕配置、实时性要求不高的客服语音质检和语音内容审查等。

• 产品形态三：已录制音频文件上传-同步获取，音频时长一般小于1分钟。

典型应用场景：语音搜索、更智能的机器人语音交互。

当前，百度语音识别技术已经全面开放，包括语音识别、长语音识别、远场语音识别、呼叫中心实时语音识别、呼叫中心音频文件转写五大类别，数十项基础技术，并服务于众多开发者。

通过这样的介绍，你大概了解到计算机的“耳朵”是如何练成的吧。如果在实践中，智能音箱这类产品听不懂你的话，你可以多说几遍，像对待孩子那样。只要这样，智能音箱就会越来越懂你。

关注百度云微信公众号，了解更多。

生成海报

免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。