什么是自动语音识别?

在人工智能发展和全球疫情的双重作用下，企业加强了与客户的线上沟通。企业越发依赖于虚拟助手、聊天机器人以及其他的语音技术，以实现与客户的高效互动。这几类人工智能，都是依赖于自动语音识别技术，简称为ASR。ASR涉及到将语音转换为文本，促使计算机理解人类语言并与人类对话。 ASR的使用量正在与日俱增。在Deepgram与Opus Research合作进行的一项最新调查中，向来自北美洲多个行业的400名决策者调查了其公司的ASR使用情况。99%的调查对象表示，他们都有在使用ASR，主要以手机应用中的语音助手为主，这说明了这项技术的重要性。随着ASR技术的不断发展，ASR逐渐受到企业的青睐，它可以提高企业在虚拟环境中的客户服务质量。请详细阅读文章，了解更多关于ASR的信息，比如ASR工作原理、ASR最佳用例以及在部署人工智能ASR模型时如何克服常见的挑战等。  

自动语音识别

自动语音识别的工作原理 过去几十年里，由于强大的人工智能和机器学习算法，ASR的发展速度迅猛。如今，大多ASR程序仍使用定向对话，但一些优化版本已开始利用自然语言处理技术，这是人工智能的子领域。 定向对话ASR 当您打电话给银行时，您可能体验过定向对话。如果是一些大型银行，您通常需要先与计算机互动，然后才联系到相应的人员。计算机可能会要求您简单地回答“是”或“否”来确认身份，或直接读出您的卡号。无论是哪一种情况，您都是通过直接对话式ASR来互动。这些ASR程序只限于简短的口头回答，因此词汇量有限。这些ASR程序适用于简单的客户互动，无法胜任复杂的沟通。

基于自然语言处理的ASR

如上所述，NLP是人工智能的一个子领域。NLP是指一种教会计算机理解人类语音或自然语言的方法。在下文中，我们使用了通俗易懂的语言，简要介绍了基于NLP语音识别程序的工作原理：

1. 您向ASR程序说出一个指令，或提出一个问题。
2. 该程序将您的语音转换为频谱图，这是机器可读的音频文件。
3. 一个声学模型通过消除任何背景噪声（例如，狗叫声或静电）来清理您的音频文件。
4. 算法将清理后的音频文件分解成音素。音素是声音的基本组成部分。例如，在英语中，“ch”和“t”是音素。
5. 算法分析音素的序列，并使用统计概率来确定序列中的单词和句子。
6. NLP模型可以将语境应用到句子中，例如，确定您说的是“write”还是“right”。
7. 一旦ASR程序理解了您说的内容，ASR程序就可以给予您合理的答复，并通过“文本-语音”转换技术来回复您。

虽然根据所使用的算法类型，上述流程会发生变化，但这并不妨碍我们理解ASR程序的工作原理。基于NLP的ASR没有限制，并且能够模拟真实对话，是迄今为止最先进的版本。例如，一个基于NLP的ASR系统的典型词库可以涵盖6万多个单词。评估ASR有两个维度，即单词错误率和响应速度；在理想条件下，ASR系统在理解人类语音方面可以达到接近99%的准确率。但是，大多数情况都不满足理想条件。 数据科学家针对关于如何教会ASR程序理解人类语音这个主题，持续开展实验。数据科学家正在探索其他可以与完全监督学习互补的方法，这需要收集每个可能会出现的语言例子来训练人工智能，并应用主动学习等技术。与程序互动的人越多，程序自主学习能力就越强。您可以想象到，这无疑节省了研究人员的大量时间。  

自动语音识别的应用

基本上，ASR应用适用于各行各业。到目前为止，已有很多客户采用了ASR技术，以优化客户体验。以下是几个突出的应用： 语音虚拟助手：受欢迎的虚拟助手有很多：谷歌助理、苹果的Siri、亚马逊Alexa和微软的Cortana。这些应用提高了获取信息的速度和效率，在我们日常生活中随处可见。未来，虚拟助手市场仍会蓬勃发展。 转录和听写：许多行业都需要语音转录服务。借助这类应用，可以转录公司会议、销售部门的客户电话、政府调查采访，甚至是记录病人的治疗过程。 教育：ASR提供了非常有用的教育工具。例如，帮助人们学习第二语言的应用。 车载信息娱乐系统：在汽车行业中，ASR被广泛应用，以优化车内体验。最新的汽车型号具有识别语音命令功能，例如驾驶员可以发出指令“将温度调高两度”。这些系统旨在将车内环境的管理工作自动化，无需驾驶员腾出方向盘上的手来完成，从而提高安全性。 安全：ASR可以识别关于“进入某些区域”的语音，提高安全性。 无障碍：ASR还是一个可以推进无障碍性的工具，未来发展前景广阔。例如，不懂或无法使用技术的人可以在智能手机上发出语音指令；例如，“打电话给Jane”。 上述多个应用适用于各个行业，并且操作过程简单。由此可知，近年来ASR技术市场的呈指数级增长，实属正常现象。  

如何克服自动语音识别中的挑战

在上文我们提到ASR工作的现场环境大多不符合理想条件，会对技术的精确度产生负面影响。破坏理想条件的常见因素有很多，为实施ASR的团队带来了挑战。幸运的是，您可以采取一些方法来克服这些挑战。

ASR挑战

导致ASR领域出现挑战的几个常见因素：

噪声数据

通常，噪声数据是无意义的数据。但在ASR背景下，噪声数据也有字面意义。在理想环境中，音频文件里语音清晰且没有背景噪声，但现实往往并非如此。音频数据中可能会包含一些无关的噪声，例如有人在背景中咳嗽，有其他人在主扬声器上说话，有建筑噪声，甚至是静电。一个高质量的ASR系统能够提取出有用的音频数据，并消除无意义的数据。

发言者差异性

ASR系统经常需要理解性别、地区、背景各不相同的人的语音。以下是人类语音出现差异的多个方面： –      语言 –      方言 –      口音 –      音高 –      音量 –      语速 若想让ASR系统为所有终端用户提供一致卓越的体验，ASR系统需要能够理解和解释多种不同的语音。

硬件设施质量低

大多公司都缺乏高质量的录音设备，从而导致音频文件中出现上文提到的噪声数据。

同音字和语境障碍

仅仅是英语一门语言，就存在多个同音词，即发音相同但含义不同的词。ASR系统需要依靠一个高度准确的NLP算法来运行，以根据语境来解释每位发言者的说话内容。

单词之间缺少界限

我们在写字或打字时，会使用空格、标点符号等来分开每个单词和句子。但如果是在说话，单词和句子就会连成一串。在这样的情况下，ASR程序无法将一连串语音分成独立片段。

通往成功的道路

幸运的是，通过个性化的数据采集和标注项目，我们可以解决部分挑战。您可以采集，甚至有机会创建语音数据集，这个数据集更能代表客户的语音差异情况，提高客户服务质量。您可以选择自己解决问题，也可以选择和拥有ASR经验的第三方数据供应商合作，充分利用其专业知识和工具。合适的数据合作伙伴可以为您提供特定用例所需的数据，以及与您ASR应用兼容的数据平台，助力您快速启动项目。 目前，很多数据供应商都能提供用于语音识别的成品数据集，但这还不够，他们应该还能根据多元化的发言者群体，满足您独特的数据需求。此外，数据供应商还可以提供工具，帮助您克服上文中提到的挑战。选择合适的合作伙伴对ASR计划的成功起着决定作用。