中企动力 > 商学院 > 语音的识别
  • ?

    揭开语音识别技术神秘面纱 让机器听懂你的声音

    Vejle

    展开

    在人工智能快速发展的今天,语音识别技术取得了一系列突破性的进展,苹果、微软、谷歌、百度、科大讯飞等各大科技巨头纷纷涉足语音识别领域,布局大量人力、物力进行技术研发,以语音识别技术为基础的人机交互产品渐渐走入大众生活,人与机器用自然语言进行无障碍交流对话的梦想逐渐成为现实。

    语音识别 拐点已至?

    语音识别技术,也被称为自动语音识别(Automatic Speech Recognition),它以语音为研究对象,目标是将人类的声音信号转化为文字或者指令,让机器自动识别和理解人类语言,以此实现语音对机器的智能操控。

    语音识别研究涉及人工智能、信号处理、模式识别、声学、语言学和认知科学等诸多学科领域,具有多学科综合性的研究属性。

    自上世纪五十年代开始兴起后,语音识别依托云计算、存储资源和大数据获得了越来越广泛的应用,智能家居、智能可穿戴设备、无人车、移动医疗……看似高大上的实验室技术正逐步应用于市场,改变着我们的生产和生活。

    有着“互联网女皇”之称的摩根斯坦利分析师玛丽·米克尔在2017年度《互联网趋势报告》中谈及“语音”的次数极高,并且玛丽·米克尔极为看好语音市场。她以Amazon的Echo为例,指出“语音正在被重塑,成为人机交互的新范式,在过去75年里,每10年就有一次人机交互的重大革新,人类对机器的操作,从物理手柄按键,到物理键盘鼠标,再到触摸屏,而现在语音成为了重要的交互方式。”

    米克尔表示,人们越来越多地使用亚马逊Alexa、苹果Siri和谷歌助手等语音助手。并且她摆出一组数据:2016年20%的移动搜索是通过语音完成的!

    中科院自动化所研究员、博士生导师刘文举老师认为,语音识别的最大技术难点是远场语音识别。远场语音识别是近场语音识别技术难以解决的,因为在远场会出现噪音、混响、回声等多种复杂的情况,必须要有一个特定的算法来解决。如果这个难点获得解决,那么语音识别的应用的场景就会更多。

    语音识别在市场中还处于初期阶段,目前还没有培养出用户的依赖习惯,所以语音识别还有巨大的发展潜力。语音识别技术,或成为人工智能领域下一个风口。

    扒一扒智能语音识别产品有哪些?

    苹果Siri

    提到语音识别,大家首先想到的应该就是苹果的Siri了。2010年,苹果收购Siri Inc.并将该其技术应用于iPhone 4S,正式推出Siri语音助手。然而Siri问世后受到了诸多吐槽,交互感太差。随后苹果收购语音识别公司Novauris Technologies,Novauris基于超过2.45亿个短语数据库可识别整个短语、辅助理解上下文,使得Siri功能进一步完善。近几年,苹果又收购了美国圣地牙哥AI技术公司Emotient,开发脸部表情分析与情绪识别技术,希望Siri可通过读取人们的面部表情预测其情绪状态,这一技术值得期待。当然,Siri现有的功能要满足人们实际的应用需求还有很长的路要走。

    微软Skype、Cortana、小冰

    2015年,微软发布Skype Translator中文版,可实现英语、西班牙语、汉语、意大利语实时互译。

    “嗨,我是微软小娜。从电脑到手机,你随时随地的个人助理。”

    Cortana小娜是微软在人工智能领域的新尝试,基于机器深度学习读取大量数据,小娜可实时记录用户习惯和行为轨迹,识别用户信息,获得理解自然语言的能力,从而实现人机交互。并且,小娜的声音十分逼真似真人。

    今年八月份,微软发布第五代小冰,较前几代增加了情感识别功能,微软希望小冰不仅有智商,更要有情商。除了基本的智能对话、百科、天气、交通、餐饮等实用功能外,第五代小冰增加了主动拨打用户电话功能,可以主动与人类进行语音交互。目前小冰已经可以拨通电信、移动和联通运营商的电话,9月6日起开放人工智能电话的预约,平台包括微博、京东、Windows10、优酷、微信等。微软全球执行副总裁沈向洋在发布会上表示,人工智能会颠覆一切。

    科大讯飞

    在国内,提到语音识别必定绕不过科大讯飞。科大讯飞成立于1999年,虽然它是一家企业,但其背靠中国科学院大学,又有国家大力扶持,2008年便在中小企业板上市,并且占据一半以上的市场份额。科大讯飞标榜其为以语音交互为核心的人工智能开放平台,其最具前瞻性的是收购了多家语音评测公司,进而垄断教育市场,独霸口语测评考试鳌头。除此之外,它还有一款办公神器——讯飞听见,语音识别与转写高效、准确。

    百度语音

    百度在语音识别技术方面引入注目的是,在2014年请来人工智能领域泰斗级人物吴恩达坐镇,依靠庞大的资金支持组建团队,大力研发语音识别相关技术。其实在2010年百度就以部署团队进行研发,并且与中科院声学所合作,但是效果并不理想。幸而14年转型,虽然比不上科大讯飞,但也逐渐吞并部分市场份额。

  • ?

    人工智能:语音识别技术哪家强?

    阿伯多维

    展开

    智能手机市场不断发展,卖座的技术也推陈出新。除了以往的拼相机、拼处理器、拼内存等硬碰硬的角逐,各大科技公司又纷纷瞄准了系统、UI界面和功能的软件战场。人工智能可谓是这块技术战场的焦点所在。

    说起人工智能,在智能手机层面其实从一开始就伴随着应用起来了,这也是手机之所以可称为智能的基础。近些年,人工智能的大树上又生出了语音识别的一个分支,在当前的手机市场里正极为火热。自打这个大门向广大用户打开,各家手机也对语音识别技术热情高涨,涌现出很多优秀的语音识别产品。下面我们就来看看手机圈内这些优秀的代表吧!

    1. 苹果:Siri

    说起语音识别功能,不得不提的就是最为经典的苹果iPhone 4S,以及由这部里程碑式的作品开启的siri语音助手。也正是由此,语音识别的智能技术在市场上开始被越来越多的用户了解、接受,赢得了很多用户的喜爱。

    在苹果家的核心技术系统里,指纹识别与Siri语音识别助手技术,是一对绝配。从5s开始,苹果公司就开始在它的机身Home键中加入感应环,搭载支持Touch ID指纹识别的技术,使手机更安全的同时,用户也不再需要长按Home键进入Siri,使用起来更为便利,提高了Siri语音识别技术的易操作、易使用性。

    2. 小米:小爱同学

    相比于AI技术大佬美国,国内的语音识别技术显然是起步得比较晚的。在业界,很多国产手机搭载的语音智能识别助手,都使用了科大讯飞的技术支持。去年,小米首次也搭上了AI交互、语音识别的车,推出了"小爱同学"。这个"小爱同学"可不是一个没有技术的女同学,通过这个技术,实现了在安卓手机的操作系统上,拥有一个及其类似iPhone里siri的智能语音助手。Siri是开山鼻祖没错,但可别小瞧我们小爱同学,随便一句话就给您安排上了,只需一秒便自如为您播放歌曲,发短信,查天气等等,一应俱全,Siri有的,它一样也不差。在此基础之上,还根据中国人的特点优化了交互界面与UI,可以说是很有自己的创新了。

    3. 三星:bixby

    在三星盖世 S8等手机中开始应用的智能语音助手叫bixby。它结合了深度学习、智能识别与UI设计三者,Bixby发展迅速,一发布就光受用户和测评者的青睐。起初将只支持 10 个三星预装应用除了三星自家产品,而在不远的未来,三星公司表示,将把bixby向第三方开发者开放,为它集成新的功能特性。未来也很可能在其他公司的设备,包括iphone中亮相。

  • ?

    凭声音即可认证身份,语音识别存在哪些发展瓶颈?

    郁寻双

    展开

    文/东方亦落

    近日、贵州省政府、清华大学和相关企业联合宣布,正在合作开展一项试点项目。该项目将人们独有的语音特征与身份证信息关联,以此创建并维护声纹数据库。

    如今,在商场、银行、酒店、安检处最常见的识别方法是人脸识别技术。中国对人脸识别技术的部署力度在其他国家并不常见,而声纹数据库的创建,意味着中国市场在生物技术方面正向语音识别发展。

    经历了几十年的发展,目前语音识别技术已经发展到一个相对成熟的阶段,在各个领域都逐渐起到作用。在中国,语音识别技术很可能继人脸识别技术之后成为下一个普及的识别方式。在语音识别逐渐得到发展的同时,也存在着一些不可避免的问题,而要解决这些问题还有待于语音识别技术在各方面的进一步发展。

    一、语音识别发展渐趋成熟,未来或成生物识别主流方式

    语音识别技术,也被称为自动语音识别(ASR)。其目标是将人类语音中的词汇内容转换为计算机可读的数据,如字符序列或二进制编码等。

    不过,早在计算机发明之前,人类就已经开始了对语音识别技术的研究,早期的声码器即可看作是语音识别及合成的雏形。1920年代生产的“Radio Rex”玩具狗可能是最早的语音识别器。只要呼唤这只狗的名字,他就会从底座上弹出来。

    1952年,贝尔研究所的Davis等人开发了Audrey语音识别系统,成为世界上首个能够识别10个英文数字发音的实验系统。其识别方法主要是追踪语音中的共振峰,该系统的准确率为98%。到1950年代末,College of London(伦敦学院)将语法概率加入语音识别中。

    1960年,英国的Denes等人研究成功了第一个计算机语音识别系统,同时人工神经网络被引入语音识别。70年代后,语音识别在孤立词及小词汇量的识别方面取得了实质性进展。

    到了80年代,研究重点转向大词汇量、非特定人连续语音识别。与此同时,语音识别的研究思路由传统的基于标准模板匹配的技术转为基于HMM(统计模型)的技术,并再次提出将神经网络技术引入语音识别领域的技术思路。

    1981年,日本在第五代计算机计划中提出了关于语音识别输入-输出自然语言的目标。尽管没有按照预期实现,但关于语音识别技术的研究有了大幅度的提升和进展。1987年开始,日本又出台了高级人机口语接口和自动电话翻译系统的项目。

    进入90年代以后,在语音识别的系统框架方面并没有什么重大突破。但是,在语音识别技术的应用及产品化方面出现了很大的进展。

    中国的语音识别发展研究起始于1958年,由中国科学院声学所利用电子管电路识别10个元音。1973年,中国科学院声学所开始了对计算机语音识别的研究。由于当时被条件所限,中国语音识别研究工作一直处于缓慢发展的状态。

    进入80年代,计算机应用技术在中国逐渐普及,数字信号技术进一步发展,国内许多单位具备了研究语音技术的基本条件。同时,语音识别技术成为国际上的研究热点并且迅速发展。在这种情势之下,中国有更多的机构投入此项研究。

    1986年3月,中国高科技发展计划(863计划)启动,因为语音识别是智能计算机系统研究的一个重要组成部分,故而被专门列为研究课题。在863计划的支撑下,中国开始了有组织的语音识别技术的研究。由此,中国语音识别技术进入了一个前所未有的发展阶段。

    2006年深度学习兴起,2009年深度学习首次在语音识别任务中取得成功,基于深度学习的语音识别取得了很大的突破。在技术方面,语音识别从最初的前馈全连接神经网络,到之后的递归神经网络,到长短时记忆模型,再到当前包含数十层结构的深层全卷积神经网络。网络结构愈加复杂,但也越来越能够契合语音的特性从而实现建模,相应的效果也愈发显著。

    当下,基于深度学习的语音识别系统已经通过海量的用户大数据训练得到了一个通用的识别系统,在日常场合已经能够实现应用。技术的成熟以及广阔的前景使得许多互联网公司也纷纷入局语音识别领域。

    去年12月,阿里巴巴宣布为上海全部地铁站的售票机安装语音识别技术,用以验证上班族的身份。科大讯飞也在安徽为医疗信息提供语音签名服务,同时为警方提供语音识别服务。此外,百度、腾讯也分别在语音识别领域有所动作。

    由此可见,语音识别技术很可能成为继人脸识别技术后的下一个生物识别的主流方式,并逐渐受到广泛的关注和消费级的应用。但在发展过程中,仍然不可避免地会遭遇一些瓶颈。

    二、语音识别技术基本成型,但发展过程中仍遭遇瓶颈

    目前,语音识别技术基本成型,处于较为成熟的状态。例如在语音识别的Switchboard任务方面,最新的IBM已经能将错误率控制在5.5%之下,有经验的转写人员在这个任务中可以达到4%之下。因此,这类安静环境下的语音识别系统已经近似于人类水平。

    目前的进展多处于应用层面。语音合成技术被应用在更多领域,而且从原始的机器声音已经进化到能够发出自然人的声音的程度,甚至现在出现各种明星声音的语音助手。在语音识别方面,市面上已经出现了针对方言口音的语音软件。在语义理解方面,聊天机器人正处在迅速进化的过程中,甚至能够讲笑话。在语音唤醒方面,智能音箱等产品大量出现。虽然在这些应用中,许多产品并没有达到高层智能的水平,但也给语音识别技术指明了方向。

    实际上,语音识别技术在发音规范且背景噪音可控的环境下,在很多年前就能够进入应用阶段。不少尖端系统在工程水平很高的情况下还可以做的更好,如早期的Siri及DARPA项目语音识别评测中的各种参赛系统。

    但在飞速进步的过程中,语音识别仍无法避免遇到某些瓶颈。

    在强噪声干扰的情况下,目前的语音识别系统还很难达到实用化要求。在自然发音、噪声、口音等复杂条件下,语音识别的准确率明显下降。此外,语音的训练和测试用数据的匹配也并不十分契合。

    想要解决环境复杂的问题,除了高超的技术之外,声学模型自适应等也是不错的方式。对于匹配问题则可以更加偏向研究方向,对语音本质进行更为深入的理解。

    例如在人类的听觉系统中,存在一种“鸡尾酒会效应”:人类在具有背景噪声干扰的情况下,依然能够将注意力集中在某一个人的谈话上。可以将人类听觉系统的这种功能赋予语音识别系统,但就目前的技术而言依然很难实现。

    同时,远场识别也依然是个充满挑战性的问题。当前,语音识别的远场错误率是近场的两倍左右。因此,解决远场及强噪声干扰情况下的语音识别是当前的一个有待进一步研究的问题。

    对于这个问题,目前的主要解决方法是语音识别和麦克风阵列相结合。通过阵列信号处理技术,增强多通道语音技术,而后利用深度学习的方法进行声学建模。当然,这种方案有待于进步和优化,并且要考虑多方面的问题。如怎样将阵列信号处理技术和深度学习方法相结合,利用阵列信号处理的相关知识指导深度神经网络的结构设计,以便直接从多通道语音信号中学习多通道语音增强方法,而后和后端声学模型联合优化等。

    另外,个体发音以及用词习惯都存在差异性,所以如何使得语音识别更加智能化也是一个问题。

    可以看到,语音识别已经走到一个相对成熟的发展阶段,未来也会在应用级市场普及,但在发展过程中仍然存在许多瓶颈。生物技术识别方式先进而便捷,但人们不免担心其中所涉及到的隐私问题。

    当然,目前语音识别技术并未大规模普及,但在那一天到来之前,人们需要弥补语音识别技术中存在的瓶颈。其实对于深度学习神经网络而言,一切都只是时间问题。足够的语音数据加上足够的训练,语音识别技术的发展还是值得期待的。

  • ?

    科技离线语音交互方案识别一秒钟线下十年功

    邵以柳

    展开

    现在很多智能设备离开网络,就成了“板砖”。要是像智能抽油烟机、智能炒菜机、智能空调、智能灯具等产品成了“板砖”会严重影响日常生活,影响智能家居产品的体验。这时给这些智能产品使用离线语音交互方案显得十分必要。

    (智能语音交互)

    识别一秒钟,线下十年功

    离线语音交互方案是种无需WIFI、无需APP,直接用芯片本地指令集对产品进行操控的语音识别技术。使用简单方便,老人小孩皆能无障碍使用。

    在技术上做到“离线语音识别”其实并不简单。这是由于实现精准的语音识别,需要超强的计算能力和超大的内存空间,以云计算方式的语音识别为例,运算服务器需要搭载几十核心的CPU以及上百G的内存,这样的配置集成在芯片上是可望不可及的。

    轻生活科技离线语音交互方案成功解决这些难关,它支持大陆普通话、英国英语、美国英语、希腊语、西班牙语、俄语、法语等34种中外语种的非特定人声语音命令词识别;支持自定义命令集,自定唤醒词;支持语音响应、支持串口透传方便与主MCU通讯;内建mic偏值及自动增益算法,使用单支mic输入也可以支持3~5米的远场识别。

    自动增益算法是一种解决拾音距离的算法,它一般增加所有信号能量,从而达到远场识别的目的。

    (远场识别示意图)

    在智能语音技术核心算法研究上,轻生活科技并不是孤军奋战,今年年初与国际上顶尖的语音技术研究机构中科院声学所达成战略合作,共同打造国际一流的智能语音产研与标准平台。

    小尺寸,广应用

    轻生活科技离线语音交互方案采用标准化模组,尺寸小如一元硬币,这样做的的好处是一方面可以节省材料,降低方案成本,另一方面可以根据产品的不同规格来设计方案外缘PCB板,从而满足绝大部分行业需求,如:智能音响、智能机器人、智能家居、智能灯控、智能仪器等行业。

    (离线语音方案模组尺寸对比图)

    应用产品,性能稳定市场表现好

    轻生活科技离线语音交互方案性能稳定、技术成熟,在应用产品上得到很好的验证,比如使用该方案的“伊丽莎白”智能语音灯在人群嘈杂的高交会中还能保持95%以上的语音识别率,语音识别距离可达5米;内含离线语音方案模组的智能家居语音灯完美的克服了灯泡通电后的温升问题,展示了模组超强的耐高温特性。

    据了解,使用该方案的“伊丽莎白”智能语音灯还取得非凡的市场表现:代表深圳智造走进联合国金色大厅,并作为前沿高科技国礼赠与各国政商界领导者。有专业人士分析称,要想人工智能技术真正服务于生活,就需要离线语音技术的继续发展以及在各行业的广泛应用,从而更高效解决用户需求,应付用户复杂的生活场景与使用状态。

  • ?

    科普入门:语音识别技术的昨天今天和明天

    离落

    展开

    语音识别技术缓慢发展的昨天:

    1962年,在美国西雅图的世界博览会上,IBM公司展示了人类历史上第一台语音识别机器--鞋盒(ShoeBox)。

    鞋盒可辨识16个单词,包括从数字0到9,及运算指令,+,-,等。鞋盒能做的很简单,就是根据语音指令做算术题。

    语音识别最早能做的事情,同马戏团小狗狗所做的一模一样,唯一不同的是,鞋盒可以打印出计算结果。

    上世纪七十年代,美国国防部高级研究计划局赞助了一个内容庞大的语音识别项目。该项目可识别单词达到了一千个,但距离将研究技术转为实际应用,仍有很大距离。

    八十年代,美国卡内基·梅隆大学的詹姆斯·贝克教授,在自己语音识别研究基础上,携手他人共同开发了一个龙系统。

    1990年,商品化的龙系统语音录入产品售价高达9千美元,但效果却令消费者沮丧气馁。

    直到1998年,IBM 的语音识别技术仍无法达到日常使用的水平。

    1990年前后,北京信息工程学院(北京信息科技大学)的本科生侯文达,也开始了他自己的语音识别开发。

    为了采集语音素材,侯文达同学经常游荡在北京科技馆,找人搭讪。因而录下了不少原始材料。

    语音识别技术突飞猛进的今天:

    自2007年开始,因为移动设备和云计算的广泛使用,使得那些拥有巨大数据处理中心的巨无霸们,如谷歌亚马逊等,有了从亿万对话中学习人类语言的机会。

    换言之,当我们每天用手机说话的时候,系统就会听我们的声音学习我们的话语。

    基于软件系统的自我学习能力,海量的各类口音俗谚俚语都不再需要人工输入,语音识别系统技术正以非凡的速度在完善强大自己。

    2016年,微软的语音识别技术在听懂并理解谈话方面,已经达到了与人类同步的水平,错词率仅有5.9%,比父母同熊孩子交谈还要顺畅。

    目前,语音识别技术在民用方面的主要应用领域,是消费购物。

    2017年8月,谷歌同美国最大的零售商沃尔玛达成合作伙伴关系,消费者可利用谷歌语音识别软件从沃尔玛直接购物。

    当然,语音识别也有它的短板,那就是对极其偏僻生冷的字词容忍度很低,很可能会拒绝识别。

    老话说,事有反常必为妖,连天量数据的语音识别软件都无法识别的词和字,会不会真的是妖言呢?

    语音识别技术造福人类的明天:

    在人类通讯习惯越来越从短信漂移向语音时,我们的购物手段也在向语音靠拢。

    美国一家机构预测,到2020年,几乎一半的购物搜索,都会通过说话的语音形式完成。让消费行为更加便捷快速的语音识别技术,对购物者来说是锦上添花。

    而对那些有读写障碍的文盲半文盲,语音识别,通过说话做事情,则是雪中送炭,让他们解脱文字的桎梏,具有更为完全的民事行为能力。

    比如,美国人正在构想,如何通过语音识别技术,让那些不会读/写的成年人,利用一部便宜的手机,用说话的方式,填写各种社会机构/政府部门的表格,开设银行账户。

    假如中国的语音识别技术同步前进,在不远的将来,让略识文字的中国农民,手持物美价廉的国产手机,对着屏幕哇啦哇啦说几句话,就能像城市白领敲键盘一样,获得各种信息资讯,从种植养殖技术,市场行业,乡镇通知,到国家政策,国内外大事......

    不仅填写各种表格找工作等事情都可以拿着手机完成,甚至春运都的火车票,也可以用说话的方式买到,那时候的农民和农民工,才真正意义上迈步走上了社会主义的康庄大道,开始了有尊严的生活。

    借用基督教赞美诗《奇异恩典》中的一句歌词,作为对语音识别技术破除读写障碍的期盼:“深望那日快现!”

  • ?

    人工智能语音识别漫漫长路 任重而道远

    沙问凝

    展开

    【IT168 资讯】语音识别已经走过了很长的路,但这只是一个开始。我们需要了解它是如何工作的,一些最好的语音识别技术是什么,等等。

    今天,随着新技术的出现,通信发生了变化。对于所谓的大型企业,一个“物理人”是从来不会回应我们的。相反,自动录音会回答并指示你按下按钮以浏览内置菜单。许多移动应用程序开发公司提出的想法不仅仅是按下按钮,客户只需说一些词就可以解决他们的疑问。

    这怎么可能?

    这完全归功于通过声学和语言建模使用算法的语音识别程序。声学建模表示语言单位的语音和音频信号之间的联系,并且语言建模将声音与单词序列相匹配以区分发音相似的单词。

    该软件可用于家庭和企业,使用户能够通过文字处理和语音识别与电脑交谈并将文字转换为文本。你可以访问功能命令,如设置闹钟、打开文件,在你最喜爱的餐厅预订等等。另一方面,一些移动应用程序可以用于精确的业务设置,例如医疗或法律转录。

    阻止语音识别成为主导的是它的不可靠性。有时候,口音或言语障碍不能被文字识别平台所理解。因为,仅仅识别声音是不够的,软件还必须识别新的单词和专有名词。

    这项技术是如何工作的

    世界充斥着智能手机、智能汽车和智能家电,但我们并不总是考虑语音在这些设备中扮演的角色。语音识别非常复杂。例如,想象一下孩子如何学习一门语言。从孩子出生的那一天起,声音就围绕着他们。虽然很小的孩子不理解这些单词,但它们吸收了所有的提示和发音,而且他们的大脑根据父母的交流方式形成了模式和联系。

    语音识别技术的工作原理基本相同:

    ·用户通过在移动应用上调用语音识别来说出一些词语。

    ·说出的单词由识别软件处理并转换为文本。

    ·然后将转换后的文本作为输入提供给搜索机制,从而返回结果。

    Google的机器学习算法现在已经为英语达到了95%的字词准确率。

    基于语音的移动应用的优势

    更简单、更快速:最初,提供命令的唯一选择是使用键盘。现在我们可以通过语音识别,这样,与设备的通信变得更快、更自然。

    精确地工作:可以避免错误,用户可以专注于他们正在做的事情,而不是看他们的手机。

    提高生产力:基于语音的移动应用程序提供简化操作,可提高运营效率。

    安全性改进:语音技术可以快速安全地解释和遵循,并且需要较少的训练。

    多种用途:通过移动设备进行的基于声音的订单有助于执行任务。

    为什么这很重要

    通过将语音识别技术集成到你的移动应用程序中,你可以不必通过使用手机的键盘来做更多的事情。当发短信给某人时,输入较长的语句可能会导致错误,并且始终单调乏味,但通过语音功能,你可以拥有免提通信体验。

    借助语音技术,移动应用程序开发人员可以增加用户交互和用户体验,因为移动应用程序命令提供解决用户体验问题的独特方式。由此,语音助可以说是最简单的解决方案。

    集成语音功能时面临的挑战

    由于语音集成是一项相对较新的技术,因此挑战必然会出现。

    实时响应行为:实时响应取决于设备的网络功能:网络连接和麦克风。当用户提供语音命令时,移动应用必须与服务器交互以将语音数据转换为文本。一旦文本被转换并发送回设备,它就是可执行的动作。发送和接收应用程序行为的过程称为实时响应行为。如果定义的操作要搜索,则设备会向服务器发送另一个请求以获取结果。在这种情况下,网络延迟可能是最具挑战性的事情。为了克服这一点,开发人员必须确保应用程序的源代码得到了适当的优化。此外,他们可以将语音识别和搜索功能移到服务器端。

    语言和口音:每种软件都不支持所有语言,开发人员需要确定目标受众的区域,以便在识别语言或口音时作出战略决策。口音是语言的问题,因为难以定位和识别每个口音以及与之相关的语言。Google的API支持不同的口音,并且是让你的移动应用程序支持大量不同口音的最佳方式。

    标点符号:这是基于语音的软件面临的最大挑战之一。不幸的是,即使是最好的改进和算法也可能不起作用,因为在现实生活中有无尽的句子和不同的标点符号。

     一些最佳的语音识别技术

    百度:来自中国的一项技术,百度专注于互联网相关服务和人工智能。这种语音识别技术是深度学习、计算机视觉、语音识别和合成、自然语言理解、数据挖掘和BI的融合。它依赖于深度学习算法,包括对多层神经元虚拟网络的训练,以识别庞大数据的模式。百度移动应用程序使用户能够使用语音进行搜索,并附带名为Duer的语音助理。语音查询在中国更受欢迎,因为输入文字比较费时,而且有些人不知道如何使用拼音。

    Siri:“Hey Siri”功能使用户能够调用免提模式的通信。 Siri在iOS7中的工作比早期版本更好。它的反应更快、理解更多、说话更自然。如果你看一个网页或应用程序,你可以说,“提醒我这个,”Siri就会知道你在看什么,并添加提醒。你甚至可以添加时间或地点,不再需要复制/粘贴某个东西或者准确描述你想要的东西。

    微软 Cortana:Cortana是微软为多款产品创建的虚拟助手。这是一个免费的数字助理,可以发送提醒、保留笔记和列表、处理任务,并帮助你管理日历。这个应用程序可以提供基于位置的通知、安排会议、附加照片提醒等等。

    当使用Office 365或Outlook时,Cortana可以提醒你电子邮件中列出的待办事项。与其他智能手机助理类似,Cortana会为你搜索查询,找到一个快速答案,甚至可以帮助你找到你喜欢的餐厅,并提供其他合适的建议。

      亚马逊Alexa:使用Alexa就像询问一个问题一样简单。只要求播放音乐、调整光线或阅读食谱,无需任何屏幕或任何手动激活,即可立即回答。无论你是在家还是在旅途中,Alexa的设计都让你的声音控制你的世界,让生活更轻松。你与Alexa交谈的越多,它采用的语音模式、发音和个人喜好就越多。利用Alexa应用程序,只需连接家中的Wi-Fi网络,即可致电或发送任何信息。一旦你习惯了使用Alexa,它可能会比与Siri这样的基于电话的语音助理交谈更自然也更有反应。而且达成的结果是,当你在家时,你会发现自己使用手机的频率较低。

    结论

    语音识别技术确实走过了漫长的道路,随着移动应用开发公司之间的激烈竞争,语音识别技术进步的发展在我们面前迈出了漫长的道路。

  • ?

    从语音识别到语义识别还有多少路要走?

    由元蝶

    展开

    随着近年定义和产业分工越发精细,语音识别渐渐分成了语音识别和语义识别两个支系。语音和语义虽然只有一字之差,但却是天壤之别。

    打个简单的比方,语音识别相当于人的耳朵,而语义识别则是大脑,语音识别帮助机器获取和输出信息,而语义识别则是对这些信息进行加工。

    语音发展史

    语音是最自然的交流方式,自从1877年爱迪生发明了留声机,人们就开始了与机器的交流,但主要的还是与人的交流,而非机器本身。

    1950年,计算机科学之父阿兰·图灵在《Mind》杂志上发表了题为《计算的机器和智能》的论文,首次提出了机器智能的概念

    20世纪80年代,语音识别技术能够将口语转化为文本。

    2001年,计算机语音识别达到了80%的准确度。

    语音识别产品的应用

    语音识别作为打造良好交互体验的重要前提,今年的发展可谓是持续火爆。在智能音箱市场,令人首先想到的就是Amazon的Echo。Echo作为将自然语音转化为在线指令的设备,其效率之高毋庸置疑,并且可保持在线的自然环境中的自然语言识别。

    而国内语音识别领域也开始争夺大战。以科大讯飞听见系列产品为例,自2015年发布以来,总用户突破1000万,应用于30余个行业。目前,已经形成了以听见智能会议系统、讯(询)问笔录系统、听见转写网站、录音宝APP、听见智能会议服务等以智能语音转写技术为核心的产品和服务体系。

    晓芯电话机器人就是基于语音识别技术的一种应用产品。晓芯智能以服务低端劳力密集型企业为宗旨,帮助企业突破人工客服效率低、工作时间长的瓶颈,从而帮助企业扩大规模和提升业绩。

    我们所期望的语音识别实质上是人机交互,大致上可以理解为人与机器之间无障碍沟通。在通信侧音源质量限制的情况下,晓芯机器人在对音源质量通过算法进行智能降噪以及通信侧持续优化之后,仍然能以80%的识别率达到行业领先的水准。但即便是达到100%也还是没有实现真正的人机交互

    而我们晓芯电话机器人有很多的客户都问我们能不能达到语义识别?

    目前来说确实不能,要从语音识别成功转变成真正意义上的语义识别,在智能电话客服的技术实现上依旧存在难点,大量的多音字和同音词是干扰机器人识别精准度的的主要障碍。首先要获得大量的数据,用这些数据不断训练,来提高识别的准确率。这一步的跨越还存在多种难关要攻克。就目前的市场分析来看,语义识别只是慢慢渗透到我们的生活中,还没有成熟的在行业中应用自如。随着技术不断地成熟,晓芯智能也必定会将语义识别技术融合进晓芯电话机器人。

    届时,我们将会再一次改变人工客服职业,电销行业乃至更多传统企业。

    语义识别的三个层次

    1、应用层:包括行业应用和智能语音交互系统

    2、NLP技术层:包括以语言学、计算机语言等学科为背景的,对自然语言进行词语解析、信息抽取、时间因果、情绪判断等等技术处理,最终达到让计算机“懂”人类的语言的自然语言认知,以及吧计算机数据转化为自然语言的生成。

    3、底层数据层:词典、数据集、语料库、知识图谱,以及外部世界常识性知识等都是予以是被算法木星的基础。

    语义识别的应用场景

    语义识别技术可以分析网页、文件、邮件、音频、论坛、社交媒体中的大亮数据,应用领域广泛,既可以直接应用与医疗、教育、金融等行业。也可以通过技术接口应用于所有智能语音交互场景,如智能家居、车载语音、可穿戴设备、VR、机器人等,从交互的方式上,也可以分为:事实问答、知识检索、分类问题等。智能语音交互被看做未来人工智能技术中最值得期待的应用场景。

    人工智能作为国家战略发展规划之一,足见其重要性。在这个政策的驱动下,各种资源包括国家型自然科学基金、产业基金、地方政府财税优惠政策、人工智能相关实验室、科技产业园区等切实促进人工智能的发展落地,为自动驾驶、计算机视觉、语音/语义识别创业提供了更好的条件和基础设施。

    (学术性分析来源于网上)

  • ?

    BAT三方大比拼:AI语音识别哪家强?

    夏石

    展开

    1.

    百度AI 语音识别

    “无论是PC互联网也好,还是移动互联网也好,大家更多的是关注软件层面的东西,不太需要知道你的软件是跑在一个什么样的硬件上。但是在AI时代我们要更多关注软件和硬件结合能有哪些创新。”李彦宏这样阐释了AI时代与移动通讯时代截然不同的思维方式。

    他说:”如果你能用AI思维来做互联网,那么就实现了降维攻击。”李彦宏宣布百度已经是一家AI企业,他表示:“互联网只是前菜,人工智能才是主菜,因为它们对整个社会的改变在本质上不是一个量级的。”

    目前百度在AI技术分为三大板块,即语音识别、图像识别、无人车驾驶。

    李彦宏更为看好语音识别技术,他认为:互联网的意义在于提高了人与人的沟通效率,但人工智能的意义更大,将从根本上解决了人与万物交流的问题。

    在我国智能语音市场份额中,百度位居第二占有27.8%的市场份额,仅次于科大讯飞。

    在语音机器人方面,百度曾经研发一款名为“麦兜”的语音合成机器人,在现场播放了“熊出没”、“花非花雾非雾第五集”等口齿不清、难以识别的方言,现场听众表示无法辨别清楚,而百度语音识别系统就能达到97%的准确率识别。

    为此,李彦宏表示:相信未来的机器人不光可以合成人们的声音,还能合成人们的动作。也许以后的演员都不需要表演,机器就可以根据他们拍摄过的聚集直接合成。一个演员只拍2、3部戏,有了合成技术之后就可以拍两三千部戏。

    听起来细思极恐。

    2.

    阿里云 语音识别

    阿里最核心的技术主要是云计算+海量数据,其中强大的云计算是由阿里云团队提供输出,数据亦是由电商平台及支付宝累积的海量用户为流量池;在服务云基础上,另基于深度学习、自然语言处理等技术,推出阿里系特有的语音识别系统,并在线上线上推广、线下零售、城市管理等多个应用场景赋能。

    阿里云在2016年年会上已公开展示了实时语音识别技术,并现场挑战了大赛亚军得主。

    据现场评测报道:阿里云人工智能在准确率上以0.67%的微弱优势战胜第50届国际速联速记大赛全球速记亚军姜毅。

    阿里云人工智能打败全球速记亚军 瞬改所有错误▲

    阿里云在语音识别系统上以iDST为主(即数据科学与技术研究院institute of Date Science&Technologies),该团队主要研究数据科技领域,并在2016年展示的语音速记机器人也仅是该团队研发的冰山一角。

    在实际应用上,语音技术更是走出实验室,在阿里内部应用广泛,比如赋能阿里集团客服和蚂蚁金服客服团队的呼叫中心智能化。

    据网上资料显示,去年双11,蚂蚁金服95%的远程客户服务已经由大数据机器人完成,同时实现了100%的自动语音识别,该机器人在客户中心整体服务量已超过500万人/次,大大分担了人工客服处理棘手任务的工作压力。

    而且,语音团队还把智能语音交互技术赋能给YunOS以及手机淘宝、支付宝、钉钉等移动端应用。

    不光在软件方面,在2017年7月首次亮相的天猫智能音箱“天猫精灵 X1”成功将AI语音应用在硬件上。

    智能音箱“天猫精灵 X1”▲

    相继,阿里云开发出:智能语音开发者平台 AliGenie。

    也有网友表示:阿里的专项不是做语音,之前开云栖大会的时候,现场演示一半就停机了。相比科大讯飞和搜狗技术,是不会出现这样的问题。

    阿里巴巴作为国内云计算的最早市场践行者,也是目前国内公有云服务市场的最大占有者。众所周之,语音识别技术在应用上的目的主要是针对不同需求服务的场景化,这是阿里在业务上定制化、场景化的云服务优势。

    我们有理由相信:未来的阿里云在语音识别领域上可以更好地优化用户体验,做到极致!

    3.

    腾讯云 语音识别

    腾讯作为BAT三巨头之一,在语音识别领域要落后于阿里。其开发的腾讯云语音识别(Automatic Speech Recognition,ASR)为开发者提供语音转文字服务的最佳体验。经公司内部微信、QQ 、腾讯视频、王者荣耀等大体量业务落地验证,日服务亿级用户,性能稳定。腾讯语音识别技术开放实时语音识别、一句话识别和录音文件识别服务,满足不同类型开发者需求。除公有云接入外,腾讯语音识别技术也支持私有化部署。

    另外智能语音已在智能家居、智能车载等领域有了快速发展,腾讯以其特有的社交化产品的天然流量优势,在社交聊天、游戏娱乐等垂直领域拥有丰富的定制化经验,并在AI平台和智能语音方面相继推出小程序、产品软硬件开发,预期在家具、车载等用户场景领域中提供定制化的AI语音服务。

    值得期待。

    4.

    总结

    总结一下:BAT中,语音识别技术以百度技术所占的市场份额最大。并且百度在语音引擎研发上占有优势地位。阿里最核心技术为云计算+海量数据,通过云服务为用户赋能更多的应用场景,而语音识别的软硬件方面只是一个新的尝试。阿里在未来的语音研发方面主要以大数据+升级用户体验为主。腾讯在语音识别技术开发上主要以服务好现有社交类企业和开拓新领域为主,因为腾讯特有的社交流量优势,在用户体验与传播上天生为AI语音制造了话题流量。

    回顾这些年的发展,从“互联网+”到“人工智能AI”在未来是一个非常标识化的转型,未来的AI会有更多的创新机会,而语音识别技术要做的是一个“连接器”,把服务和用户以语音连接的形式来达成沟通,代替更多的人力成本,而企业要把人才放在更需要的地方,AI机器人所做的事就是如何更好地减少人力成本、并为企业客户提供更完善的定制化场景服务与一站式智能服务。

  • ?

    语音识别的技术原理是什么?

    华安

    展开

    首先,我们知道声音实际上是一种波。常见的 mp3等格式都是压缩格式, 必须转成非压缩的纯波形文件来处理,比如 Windows PCM文件,也就是俗称 的 wav 文件。 wav 文件里存储的除了一个文件头以外,就是声音波形的一个个 点了。下图是一个波形的示例。

    在开始语音识别之前, 有时需要把首尾端的静音切除, 降低对后续步骤造成 的干扰。这个静音切除的操作一般称为 VAD ,需要用到信号处理的一些技术。 要对声音进行分析, 需要对声音分帧, 也就是把声音切开成一小段一小段, 每小 段称为一帧。 分帧操作一般不是简单的切开, 而是使用移动窗函数来实现, 这里 不详述。帧与帧之间一般是有交叠的,就像下图这样:

    图中,每帧的长度为 25毫秒,每两帧之间有 25-10=15毫秒的交叠。我们 称为以帧长 25ms 、帧移 10ms 分帧。分帧后,语音就变成了很多小段。但波形 在时域上几乎没有描述能力, 因此必须将波形作变换。

    常见的一种变换方法是提取 MFCC 特征,根据人耳的生理特性,把每一帧波形变成一个多维向量,可以 简单地理解为这个向量包含了这帧语音的内容信息。这个过程叫做声学特征提 取。实际应用中,这一步有很多细节,声学特征也不止有 MFCC 这一种,具体 这里不讲。 至此, 声音就成了一个 12行 (假设声学特征是 12维 ) 、 N 列的一个矩 阵,称之为观察序列,这里 N 为总帧数。观察序列如下图所示,图中,每一帧 都用一个 12维的向量表示,色块的颜色深浅表示向量值的大小。

    接下来就要介绍怎样把这个矩阵变成文本了。首先要介绍两个概念:

    音素:单词的发音由音素构成。 对英语, 一种常用的音素集是卡内基梅隆大 学的一套由 39个音素构成的音素集,参见 The CMU Pronouncing

    Dictionary(http://speech.cs.cmu.edu/cgi-bin/cmudict) 。汉语一般 直接用全部声母和韵母作为音素集,另外汉语识别还分有调无调,不详述。 状态:这里理解成比音素更细致的语音单位就行啦。 通常把一个音素划分成 3个状态。语音识别是怎么工作的呢 ?

    实际上一点都不神秘,无非是:第一步,

    把帧识别成状态 (难点 ) 。第二步,把状态组合成音素。第三步,把音素组合成单 词。如下图所示:

    图中, 每个小竖条代表一帧, 若干帧语音对应一个状态, 每三个状态组合成 一个音素, 若干个音素组合成一个单词。 也就是说, 只要知道每帧语音对应哪个 状态了,语音识别的结果也就出来了。那每帧音素对应哪个状态呢 ? 有个容易想 到的办法, 看某帧对应哪个状态的概率最大, 那这帧就属于哪个状态。 比如下面 的示意图,这帧在状态 S3上的条件概率最大,因此就猜这帧属于状态 S3。

    那这些用到的概率从哪里读取呢 ? 有个叫“声学模型”的东西,里面存了一 大堆参数, 通过这些参数, 就可以知道帧和状态对应的概率。

    获取这一大堆参数的方法叫做“训练”,需要使用巨大数量的语音数据,训练的方法比较繁琐,这 里不讲。 但这样做有一个问题:每一帧都会得到一个状态号, 最后整个语音就会 得到一堆乱七八糟的状态号,相邻两帧间的状态号基本都不相同。假设语音有 1000帧,每帧对应 1个状态,每 3个状态组合成一个音素,那么大概会组合成 300个音素, 但这段语音其实根本没有这么多音素。 如果真这么做, 得到的状态 号可能根本无法组合成音素。 实际上, 相邻帧的状态应该大多数都是相同的才合 理,因为每帧很短。解决这个问题的常用方法就是使用隐马尔可夫模型 (Hidden Markov Model, HMM) 。 这东西听起来好像很高深的样子, 实际上用起来很简 单:

    第一步,构建一个状态网络。

    第二步,从状态网络中寻找与声音最匹配的路径。

    这样就把结果限制在预先设定的网络中, 避免了刚才说到的问题, 当然也带 来一个局限,比如你设定的网络里只包含了“今天晴天”和“今天下雨”两个句 子的状态路径,那么不管说些什么,识别出的结果必然是这两个句子中的一句。 那如果想识别任意文本呢 ? 把这个网络搭得足够大,包含任意文本的路径就可以 了。 但这个网络越大, 想要达到比较好的识别准确率就越难。 所以要根据实际任 务的需求, 合理选择网络大小和结构。 搭建状态网络, 是由单词级网络展开成音 素网络, 再展开成状态网络。 语音识别过程其实就是在状态网络中搜索一条最佳 路径,语音对应这条路径的概率最大,这称之为“解码”。路径搜索的算法是一 种动态规划剪枝的算法,称之为 Viterbi 算法,用于寻找全局最优路径。

    这里所说的累积概率,由三部分构成,分别是:

    观察概率:每帧和每个状态对应的概率

    转移概率:每个状态转移到自身或转移到下个状态的概率

    语言概率:根据语言统计规律得到的概率

    其中, 前两种概率从声学模型中获取, 最后一种概率从语言模型中获取。 语 言模型是使用大量的文本训练出来的, 可以利用某门语言本身的统计规律来帮助 提升识别正确率。语言模型很重要,如果不使用语言模型,当状态网络较大时, 识别出的结果基本是一团乱麻。

    这样基本上语音识别过程就完成了。

  • ?

    一文读懂语音识别技术原理

    经山蝶

    展开

    语音识别是十年来发展最快的技术之一,随着AI的不断发展,深度学习让语音识别技术得到了质的飞跃,开始从实验室走向市场,并逐步走到人们的生活中。

    我们现在所用的语音输入法,以及以语音为智能交互入口的智能家居,背后都涉及到语音识别技术。

    今天晚上,我们就来学习下本周的新课程 《语音识别技术》,有请今天的主讲嘉宾:科大讯飞研究院潘嘉老师,掌声欢迎~

    01语音识别技术的发展历程

    语音识别技术是指机器自动将人的语音的内容转成文字,又称 Automatic Speech Recognition,即ASR技术。

    语音识别是一门交叉的、非常复杂的学科,需要具备生理学、声学、信号处理、计算机科学、模式识别、语言学、心理学等相关学科的知识。

    语音识别的研究是个漫长而且艰难的过程,它的发展可以追溯到20世纪50年代,1952年贝尔实验室首次实现Audrey英文数字识别系统,这个系统当时可以识别单个数字0~9的发音,并且对熟人的准确度高达90%以上。

    在同时期,MIT、普林斯顿相继推出少量词的独立词识别系统。

    1971年美国国防部研究所(DARPA)赞助了五年期限的语音理解研究项目,推动了语音识别的一次大发展。DARPA在整个科技的发展过程中扮演了非常重要的角色,它专门给高科技研究项目提供资金支持,包括无人机、卫星等等。

    在DARPA的支持下,IBM、卡内基梅隆大学(CMU)、斯坦福等学术界和工业界非常顶级的研究机构也都加入到语音识别的研究中去。

    其中,卡耐基梅隆大学研发出harpy语音识别系统,该系统能够识别1011个单词,在这个时期大词汇量的孤立词识别取得实质性进展。

    到了1980年,语音识别技术已经从从孤立词识别发展到连续词识别,当时出现了两项非常重要的技术:隐马尔科夫模型( HMM )、N-gram语言模型。

    1990年,大词汇量连续词识别持续进步,提出了区分性的模型训练方法MCE和MMI,使得语音识别的精确度日益提高,尤其适用于长句子的情况下,与此同时,还提出了模型自适应方法MAP和MLLR。

    在工业方面,剑桥推出首个开源的语音识别训练工具HTK,在商业方面,Nuance发布了首个消费级产品Dragon Dictate。

    到了21世纪,随着深度学习的不断发展,神经网络之父Hinton提出深度置信网络( DBN ),2009年, Hinton和学生Mohamed将深度神经网络应用于语音识别,在小词汇量连续语音识别任务TIMIT上获得成功。

    02 语音识别的技术原理

    从20世纪80年代开始,现在语音识别采用模式识别的基本框架,分为数据准备、特征提取、模型训练、测试应用这4个步骤,在这里我们主要来讲解下模型训练和测试应用。

    模型经过训练之后,一段待测的语音需要经过信号处理和特征提取,然后利用训练好的声学模型和语言模型,分别求得声学模型和语言模型得分,然后综合这2个得分,进行候选的搜索,最后得出语言识别的结果。

    公式表达如图所示

    接下来我们来看下语言模型,语言模型的物理意义反映字词出现的先验概率,比如“郝”和“好”,这两个字发音相同,但“郝”相对于“好”来说,出现的概率较低,一般都会出现在姓氏里。

    除此之外,语言模型的物理意义还在于反映词顺序是否符合语言习惯和反映词的语义信息。

    了解了语言模型的物理意义,我们来看下语言模型的建模,传统语言模型采用N-gram的做法,语言模型是对文本序列的先验概率进行建模,用以下公式表示:

    ()=(1 2 …w )=(1 )(2│1 )…( |(1:1))

    我们按照全概率空间展开,可以表示为第一个词出现的概率(1)乘以第一个词出现之后,第二个词的概率(2│1 ),以此类推一直到第n个词。

    对于这样一个全概率空间,我们对它进行N-阶马尔科夫假设,即每个词出现的概率只和最近的N个历史词有关,根据这样一个假设,上面表示先验概率中的每一项都可以做这样一个近似:

    比如我们需要求1-阶马尔科夫假设,用以下公式即可很方便的算出结果:

    这样一种看似很简单的非参数的计算方法,却从20世纪的80年代一直沿用到今天。

    在深度学习出现之后,逐渐出现了另一种语言模型——RNNLM。

    RNNLM语言模型的流程,之前我们提到过先验概率可以按照全概率空间进行展开,我们对公式中间的每一项都采用同一种深度学习模型来建模,就可以表达成如下结构:

    说完了语言模型建模,接下来我们来说下声学模型建模,给定了相应的文本序列之后,生成相应的语音,这是语音识别技术中最核心的也是最复杂的部分。

    为了减少同音词的数据共享问题,首先我们会将文本序列转化成它的发音序列,做这一步的目的就是加强建模单元的共享性。

    在我们对每一个发音单元,比如“xue”里面的韵母做建模的时候,我们的语音具有不定长的特性,我们说的快和说的慢的时候,语音帧的时长是不一样的,对于这种不定长的语音建模,这个时候就需要引入HMM模型。

    HMM模型每一个语音帧让我们的每一个语音帧都对应到HMM模型中的每一个状态,不论多长的语音都能够表达为HMM模型的一个状态序列。

    最后只要将HMM模型中的序列和我们语音中的每一帧进行一一对应。再将这个对应关系,用一个概率来表达就可以了。

    我们知道语音其实是非常复杂多变的,不同的人在说同样的句子的时候,会表现出非常大的差异性。

    1980年代的时候,由于计算条件的限制,业内一般采用GMM声学模型,到了2010年深度学习技术兴起,DNN声学建模开始取代GMM声学建模。

    03 语音识别技术的典型应用

    语音识别技术早期的应用主要是语音听写,用户说一句,机器识别一句。后来发展成语音转写,随着AI的发展,语音识别开始作为智能交互应用中的一环。

    下面我们就来一一介绍这些应用:

    首先我们来看下语音听写,语音听写中最为典型的案例就是讯飞输入法,除此之外,语音听写的应用还有语音病例系统。

    医生佩戴上讯飞定制的麦克风,在给病人诊断时,会将病情、用药、需要注意事项等信息说出来,机器将医生说的话自动识别出来,生成病例。

    关于语音转写的应用,我们也举两个产品的例子,一是讯飞语记,另一个是讯飞听见。

    讯飞语记是一款APP,它能够将我们所说的语音记录成文字,讯飞听见会议系统能够实时的根据演讲者所说的内容准确识别出来,并且实时投影在我们的大屏幕上。

    关于语音交互的产品有很多,比如讯飞推出的讯飞翻译机、能够和小朋友进行互动的阿法蛋、以及可以进行聊天交流的叮咚音箱等。

所有视频需要登录后,才能观看

请先登录您的帐号,即可完整播放,如果您尚未注册帐号,请先点击注册。