語音識別,讓機器聽懂這個世界

原標題:語音識別,讓機器聽懂這個世界

上一期《從模仿到超越,視覺智能下一步會怎樣進化?》,我們介紹了機器的“眼睛”——視覺識別,這一期我們來分析機器的“耳朵”——語音識別能力。

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?!?/p>

語音識別,像耳朵一樣進化著

語音識別就是讓機器擁有“耳朵”。當然,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,不斷的學習、訓練,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50年代,當時的效果并不好。

直到21世紀初,特別是近10年,借助機器學習領(lǐng)域深度學習研究的發(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,識別范圍為預先指定的字/詞集合,即算法只在開發(fā)者預先設(shè)定的封閉域識別詞的集合內(nèi)進行語音識別,對范圍之外的語音會拒識。

因此,可將其聲學模型和語言模型進行裁剪,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,無需預先指定識別詞集合,算法將在整個語言大集合范圍中進行識別。

為適應(yīng)此類場景,聲學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。

關(guān)注百度云微信公眾號,了解更多。

極客網(wǎng)企業(yè)會員

免責聲明:本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿,凡在本網(wǎng)站出現(xiàn)的信息,均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性,但不保證有關(guān)資料的準確性及可靠性,讀者在使用前請進一步核實,并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏,概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時,應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明,并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后,將會依法盡快聯(lián)系相關(guān)文章源頭核實,溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。

2019-03-15
語音識別,讓機器聽懂這個世界
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。

長按掃碼 閱讀全文