一文看懂语音识别 - ASR（基本原理 + 4个实现流程）

文章目录

语音识别是什么？他有什么价值，以及他的技术原理是什么？本文将解答大家对语音识别的常见疑问。

语音识别技术（ASR）是什么？

机器要与人实现对话，那就需要实现三步：

对应的便是“耳”、“脑”、“口”的工作，机器要听懂人类说话，就离不开语音识别技术（ASR）。

语音识别已经成为了一种很常见的技术，大家在日常生活中经常会用到：苹果的用户肯定都体验过 Siri ，就是典型的语音识别

微信里有一个功能是”文字语音转文字”，也利用了语音识别

最近流行的智能音箱就是以语音识别为核心的产品

比较新款的汽车基本都有语音控制的功能，这也是语音识别

语音识别技术讲解

语音识别技术拆分下来，主要可分为“输入——编码——解码——输出 ”4个流程。

那语音识别是怎么工作的呢？

首先声音的本身是一种波，就像我们常常用一段段波形来表示音频一样。

接下来按步骤：给音频进行信号处理后，便要按帧（毫秒级）拆分，并对拆分出的小段波形按照人耳特征变成多维向量信息

将这些帧信息识别成状态（可以理解为中间过程，一种比音素还要小的过程）

再将状态组合形成音素（通常3个状态=1个音素）

最后将音素组成字词（dà jiā hǎo）并串连成句 。于是，这就可以实现由语音转换成文字了。

百度百科和维基百科

百度百科版本

语音识别技术，也被称为自动语音识别 Automatic Speech Recognition，(ASR)，其目标是将人类的语音中的词汇内容转换为计算机可读的输入，例如按键、二进制编码或者字符序列。与说话人识别及说话人确认不同，后者尝试识别或确认发出语音的说话人而非其中所包含的词汇内容。

维基百科版本

语音识别是计算语言学的跨学科子领域，其开发方法和技术，使得能够通过计算机识别和翻译口语。它也被称为自动语音识别（ASR），计算机语音识别或语音到文本（STT）。它融合了语言学，计算机科学和电气工程领域的知识和研究。

一些语音识别系统需要“训练”（也称为“登记”），其中个体说话者将文本或孤立的词汇读入系统。系统分析人的特定声音并使用它来微调对该人的语音的识别，从而提高准确性。不使用训练的系统称为“说话者无关” 系统。使用训练的系统称为“说话者依赖”。

扩展阅读