人工智能通過語音技術(shù)來聽懂人類的語言

（文章來源：百度智能云）

你可能發(fā)現(xiàn)這樣的場景，當(dāng)你坐在沙發(fā)上說一聲“打開電視機(jī)”，不需要遙控器，你就可以盡情觀賞電視節(jié)目；跟朋友聊天，無需手動敲字，語音輸入后便可實(shí)時(shí)轉(zhuǎn)化成文字，發(fā)送給對方，既省時(shí)又省事。這是怎么回事呢？這些設(shè)備是如何聽懂我們的語言的呢？這里不得不提的，就是語音識別技術(shù)?！笆裁词钦Z音識別？語音識別是完成從語音信息到機(jī)器可識別文本信息的轉(zhuǎn)化過程?！?/p>

語音識別就是讓機(jī)器擁有“耳朵”。當(dāng)然，不是簡單的給機(jī)器裝臺收音器就可以實(shí)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(gè)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(jī)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(shí)的效果并不好。

直到21世紀(jì)初，特別是近10年，借助機(jī)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(cuò)誤率接近了人類，人類的語音識別錯(cuò)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(cuò)誤率控制在了3%左右。

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(yùn)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，無需預(yù)先指定識別詞集合，算法將在整個(gè)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(yùn)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(shí)能實(shí)時(shí)地看到返回的文字。典型應(yīng)用場景：語音輸入法、實(shí)時(shí)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(shí)長一般小于5小時(shí)。典型應(yīng)用場景：音/視頻字幕配置、實(shí)時(shí)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(shí)長一般小于1分鐘。典型應(yīng)用場景：語音搜索、更智能的機(jī)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(shí)時(shí)語音識別、呼叫中心音頻文件轉(zhuǎn)寫五大類別，數(shù)十項(xiàng)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(jì)算機(jī)的“耳朵”是如何練成的吧。如果在實(shí)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。