它相對于GMM-HMM系統(tǒng)并沒有什么優(yōu)勢可言，研究人員還是更傾向于基于統(tǒng)計(jì)模型的方法。在20世紀(jì)80年代還有一個(gè)值得一提的事件，美國3eec6ee2-7378-4724-83b5-9b技術(shù)署(NIST)在1987年di一次舉辦了NIST評測，這項(xiàng)評測在后來成為了全球語音評測。20世紀(jì)90年代，語音識別進(jìn)入了一個(gè)技術(shù)相對成熟的時(shí)期，主流的GMM-HMM框架得到了更廣的應(yīng)用，在領(lǐng)域中的地位越發(fā)穩(wěn)固。聲學(xué)模型的說話人自適應(yīng)(SpeakerAdaptation)方法和區(qū)分性訓(xùn)練(DiscriminativeTraining)準(zhǔn)則的提出，進(jìn)一步提升了語音識別系統(tǒng)的性能。1994年提出的大后驗(yàn)概率估計(jì)(MaximumAPosterioriEstimation，MAP)和1995年提出的*大似然線性回歸(MaximumLikelihoodLinearRegression，MLLR)，幫助HMM實(shí)現(xiàn)了說話人自適應(yīng)。*大互信息量(MaximumMutualInformation，MMI)和*小分類錯(cuò)誤(MinimumClassificationError，MCE)等聲學(xué)模型的區(qū)分性訓(xùn)練準(zhǔn)則相繼被提出，使用這些區(qū)分性準(zhǔn)則去更新GMM-HMM的模型參數(shù)，可以讓模型的性能得到提升。此外，人們開始使用以音素字詞單元作為基本單元。一些支持大詞匯量的語音識別系統(tǒng)被陸續(xù)開發(fā)出來，這些系統(tǒng)不但可以做到支持大詞匯量非特定人連續(xù)語音識別。搜索的本質(zhì)是問題求解，應(yīng)用于語音識別、機(jī)器翻譯等人工智能和模式識別的各個(gè)領(lǐng)域。遼寧汽車語音識別

3）上述兩個(gè)問題的共性是目前的深度學(xué)習(xí)用到了語音信號各個(gè)頻帶的能量信息，而忽略了語音信號的相位信息，尤其是對于多通道而言，如何讓深度學(xué)習(xí)更好的利用相位信息可能是未來的一個(gè)方向。（4）另外，在較少數(shù)據(jù)量的情況下，如何通過遷移學(xué)習(xí)得到一個(gè)好的聲學(xué)模型也是研究的熱點(diǎn)方向。例如方言識別，若有一個(gè)比較好的普通話聲學(xué)模型，如何利用少量的方言數(shù)據(jù)得到一個(gè)好的方言聲學(xué)模型，如果做到這點(diǎn)將極大擴(kuò)展語音識別的應(yīng)用范疇。這方面已經(jīng)取得了一些進(jìn)展，但更多的是一些訓(xùn)練技巧，距離目標(biāo)還有一定差距。（5）語音識別的目的是讓機(jī)器可以理解人類，因此轉(zhuǎn)換成文字并不是終的目的。如何將語音識別和語義理解結(jié)合起來可能是未來更為重要的一個(gè)方向。語音識別里的LSTM已經(jīng)考慮了語音的歷史時(shí)刻信息，但語義理解需要更多的歷史信息才能有幫助，因此如何將更多上下文會話信息傳遞給語音識別引擎是一個(gè)難題。（6）讓機(jī)器聽懂人類語言，靠聲音信息還不夠，“聲光電熱力磁”這些物理傳感手段，下一步必然都要融合在一起，只有這樣機(jī)器才能感知世界的真實(shí)信息，這是機(jī)器能夠?qū)W習(xí)人類知識的前提條件。而且，機(jī)器必然要超越人類的五官，能夠看到人類看不到的世界。

上海英語語音識別前端語音識別指命令者向語音識別引擎發(fā)出指令，識別出的單詞在說話時(shí)顯示出來，命令者負(fù)責(zé)編輯和簽署文檔。

Sequence-to-Sequence方法原來主要應(yīng)用于機(jī)器翻譯領(lǐng)域。2017年，Google將其應(yīng)用于語音識別領(lǐng)域，取得了非常好的效果，將詞錯(cuò)誤率降低至。Google提出新系統(tǒng)的框架由三個(gè)部分組成：Encoder編碼器組件，它和標(biāo)準(zhǔn)的聲學(xué)模型相似，輸入的是語音信號的時(shí)頻特征；經(jīng)過一系列神經(jīng)網(wǎng)絡(luò)，映射成高級特征henc，然后傳遞給Attention組件，其使用henc特征學(xué)習(xí)輸入x和預(yù)測子單元之間的對齊方式，子單元可以是一個(gè)音素或一個(gè)字。**后，attention模塊的輸出傳遞給Decoder，生成一系列假設(shè)詞的概率分布，類似于傳統(tǒng)的語言模型。端到端技術(shù)的突破，不再需要HMM來描述音素內(nèi)部狀態(tài)的變化，而是將語音識別的所有模塊統(tǒng)一成神經(jīng)網(wǎng)絡(luò)模型，使語音識別朝著更簡單、更高效、更準(zhǔn)確的方向發(fā)展。語音識別的技術(shù)現(xiàn)狀目前，主流語音識別框架還是由3個(gè)部分組成：聲學(xué)模型、語言模型和解碼器，有些框架也包括前端處理和后處理。隨著各種深度神經(jīng)網(wǎng)絡(luò)以及端到端技術(shù)的興起，聲學(xué)模型是近幾年非常熱門的方向，業(yè)界都紛紛發(fā)布自己新的聲學(xué)模型結(jié)構(gòu)，刷新各個(gè)數(shù)據(jù)庫的識別記錄。由于中文語音識別的復(fù)雜性，國內(nèi)在聲學(xué)模型的研究進(jìn)展相對更快一些。

選用業(yè)界口碑較好的訊飛離線語音識別庫，該庫采用巴科斯范式語言描述語音識別的語法，可以支持的離線命令詞的合，滿足語音撥號軟件的工作需求。其中，編寫的語法文檔主要部分如下：!start;:[];:我想|我要|請|幫我;:[];:給!id(10001)|打給!id(10001)|打電話給!id(10001)|撥打!id(10001)|呼叫!id(10001);:打電話!id(10001)|打個(gè)電話!id(10001)|撥打電話!id(10001)|撥電話!id(10001)|撥個(gè)電話!id(10001)|的電話!id(10001);:丁偉|李平;本文件覆蓋了電話呼叫過程中的基本語法，其中中的數(shù)據(jù)，需要根據(jù)用戶數(shù)據(jù)庫進(jìn)行補(bǔ)充，其它、、中的內(nèi)容，用戶根據(jù)自己的生活習(xí)慣和工作需要進(jìn)行完善。另外，語音撥號軟件的應(yīng)用數(shù)據(jù)庫為電話薄數(shù)據(jù)庫，電話薄中的用戶姓名是構(gòu)建語法文檔的關(guān)鍵數(shù)據(jù)；音頻采集模塊采用增強(qiáng)型Linux聲音架構(gòu)ALSA庫實(shí)現(xiàn)。語音撥號軟件工作流程語音撥號軟件的工作流程如圖2所示，電話薄數(shù)據(jù)庫、語音識別控制模塊、訊飛離線識別引擎和ALSA庫相互配合，共同完成語音識別的啟動、識別和結(jié)束。具體流程如下：（1）構(gòu)建BNF文檔：控制模塊搜索本地電話薄數(shù)據(jù)庫，導(dǎo)出用戶數(shù)據(jù)信息，按照巴科斯范式語法，生成基于本地?cái)?shù)據(jù)庫的語法文檔；。多人語音識別及離線語音識別也是當(dāng)前需要重點(diǎn)解決的問題。

Siri、Alexa等虛擬助手的出現(xiàn)，讓自動語音識別系統(tǒng)得到了更廣的運(yùn)用與發(fā)展。自動語音識別(ASR)是一種將口語轉(zhuǎn)換為文本的過程。該技術(shù)正在不斷應(yīng)用于即時(shí)通訊應(yīng)用程序、搜索引擎、車載系統(tǒng)和家庭自動化中。盡管所有這些系統(tǒng)都依賴于略有不同的技術(shù)流程，但這些所有系統(tǒng)的第一步都是相同的：捕獲語音數(shù)據(jù)并將其轉(zhuǎn)換為機(jī)器可讀的文本。但ASR系統(tǒng)如何工作？它如何學(xué)會辨別語音？本文將簡要介紹自動語音識別。我們將研究語音轉(zhuǎn)換成文本的過程、如何構(gòu)建ASR系統(tǒng)以及未來對ASR技術(shù)的期望。那么，我們開始吧！ASR系統(tǒng)：它們?nèi)绾芜\(yùn)作？因此，從基礎(chǔ)層面來看，我們知道自動語音識別看起來如下：音頻數(shù)據(jù)輸入，文本數(shù)據(jù)輸出。但是，從輸入到輸出，音頻數(shù)據(jù)需要變成機(jī)器可讀的數(shù)據(jù)。這意味著數(shù)據(jù)通過聲學(xué)模型和語言模型進(jìn)行發(fā)送。這兩個(gè)過程是這樣的：聲學(xué)模型確定了語言中音頻信號和語音單位之間的關(guān)系，而語言模型將聲音與單詞及單詞序列進(jìn)行匹配。這兩個(gè)模型允許ASR系統(tǒng)對音頻輸入進(jìn)行概率檢查，以預(yù)測其中的單詞和句子。然后，系統(tǒng)會選出具有**高置信度等級的預(yù)測。**有時(shí)語言模型可以優(yōu)先考慮某些因其他因素而被認(rèn)為更有可能的預(yù)測。因此，如果通過ASR系統(tǒng)運(yùn)行短語。語音識別的精度和速度取決實(shí)際應(yīng)用環(huán)境。上海英語語音識別

語音識別技術(shù)還可以應(yīng)用于自動口語翻譯。遼寧汽車語音識別

主流方向是更深更復(fù)雜的神經(jīng)網(wǎng)絡(luò)技術(shù)融合端到端技術(shù)。2018年，科大訊飛提出深度全序列卷積神經(jīng)網(wǎng)絡(luò)（DFCNN），DFCNN使用大量的卷積直接對整句語音信號進(jìn)行建模，主要借鑒了圖像識別的網(wǎng)絡(luò)配置，每個(gè)卷積層使用小卷積核，并在多個(gè)卷積層之后再加上池化層，通過累積非常多卷積池化層對，從而可以看到更多的歷史信息。2018年，阿里提出LFR-DFSMN（LowerFrameRate-DeepFeedforwardSequentialMemoryNetworks）。該模型將低幀率算法和DFSMN算法進(jìn)行融合，語音識別錯(cuò)誤率相比上一代技術(shù)降低20%，解碼速度提升3倍。FSMN通過在FNN的隱層添加一些可學(xué)習(xí)的記憶模塊，從而可以有效的對語音的長時(shí)相關(guān)性進(jìn)行建模。而DFSMN是通過跳轉(zhuǎn)避免深層網(wǎng)絡(luò)的梯度消失問題，可以訓(xùn)練出更深層的網(wǎng)絡(luò)結(jié)構(gòu)。2019年，百度提出了流式多級的截?cái)嘧⒁饬δＰ蚐MLTA，該模型是在LSTM和CTC的基礎(chǔ)上引入了注意力機(jī)制來獲取更大范圍和更有層次的上下文信息。其中流式表示可以直接對語音進(jìn)行一個(gè)小片段一個(gè)小片段的增量解碼；多級表示堆疊多層注意力模型；截?cái)鄤t表示利用CTC模型的尖峰信息，把語音切割成一個(gè)一個(gè)小片段，注意力模型和解碼可以在這些小片段上展開。在線語音識別率上。遼寧汽車語音識別

本文來自聊城冠宇客運(yùn)有限責(zé)任公司：http://sxib.cn/Article/59f77399167.html