人工智能计算器语音版-智能语音“三步曲”（Automatic）

智能语音技术是以“语音”为研究对象，对语音语义进行识别、理解以及生成，使机器具备自然语言处理能力，并且利用其核心技术赋予机器“听觉”、“理解能力”以及“语言能力”。

智能语音“三步曲”

智能语音技术涉及多类型学科，其核心技术包括语音识别（ASR）、声纹识别（Voiceprint Recognition）、自然语言处理（NLP）、语音合成（TTS）、语音去噪等关键技术。

智能语音技术

语音识别

语音识别，或称为自动语音识别（Automatic Speech Recognition，ASR），是指令机器能够识别口语单词并将其转换为文本的过程。

语音识别发展历程

语音识别技术的核心和发展，主要在声学模型的领域上，可以分为三个阶段：

第一阶段

模型匹配法（70年代），主要集中在小词汇量、孤立词、特定人语音识别方法，方法是简单的模板匹配，即将测试语音与参考语音分别进行特征值提取后，直接整段比对吻合度。当时的主流算法有动态时间规整（DTW）、支持向量机（SVM）、矢量量化(VQ)等。

第二阶段

概率统计型（1993年~2011年），主流的技术是GMM+HMM。HMM模型将语音转换文本的过程中增加了两个转换单位：音素和状态，GMM将状态的特征用概率模型来表述人工智能计算器语音版，提升语音帧到状态的准确率。基于GMM-HMM框架，后续又提出了许多改进方法，如动态贝叶斯方法、区分性训练方法、自适应训练方法、HMM/NN混合模型方法等。

第三阶段

深度神经网络（2012~至今），常用的方法有深度神经网络-隐马尔科夫（DNN -HMM）；递归神经网络RNN——>LSTM&BLSTM：结合上下文建模，计算复杂度会比DNN增加；卷积神经网络CNN：图像识别的主流的模型，优化语音的多样性，减少资源浪费等。

语音识别发展历程

语音识别流程

语音识别流程主要可分为“输入—>编码—>解码—>输出 ”。

语音识别流程

选择识别单元，即确定选择识别的对象，然后根据识别对象的语音特点、词汇量大小等条件确定识别对象为单词、音节或音素；

原始音频

识别单词、音节或音素

提取特征参数，从语音波形中提取出重要的反应语音特征的相关信息；

特征提取

建立声学模型和语言模型，进行训练和识别。

声学模型主要描述发音模型下特征的似然概率。

语言模型主要描述词间的连接概率。

具体来说就是输入一段语音信号，要找到一个文字序列（由字或者词组成），使得它与语音信号的匹配程度最高。

解码

这个匹配程度，一般都是用概率来表示的人工智能计算器语音版，用O表示声学特征，用W表示文字序列，则要解决的问题定义为数学模型的过程为：

最常用的声学模型隐马尔科夫模型（HMM）逐渐被深度神经网络（DNN）所替代。

声学模型演化（GMM-HMM到DNN-HMM）

最常用的语言模型是N-Gram ，包含单词序列的统计数据和有限状态语言模型。

语言模型N-Gram

最后进行后期的处理，包括音字转换、词法、句法和文法的处理等，最终输出识别的文字。本人将文章的第一段录制成音频，进行语音识别。

语音识别结果