語(yǔ)音識(shí)別技術(shù)廣泛應(yīng)用于商用設(shè)備中，市場(chǎng)規(guī)模預(yù)計(jì)將持續(xù)增長(zhǎng)。實(shí)現(xiàn)語(yǔ)音識(shí)別的核心技術(shù)包括特征提取和聲學(xué)建模，分別負(fù)責(zé)將聲波轉(zhuǎn)換和識(shí)別成語(yǔ)音單元。最常見(jiàn)的特征提取技術(shù)是梅爾頻率倒譜系數(shù)和感知線性預(yù)測(cè)系數(shù)，聲學(xué)建模則使用隱馬爾可夫模型或深度神經(jīng)網(wǎng)絡(luò)，依賴統(tǒng)計(jì)關(guān)系和數(shù)據(jù)學(xué)習(xí)來(lái)推斷單詞。盡管語(yǔ)音識(shí)別技術(shù)不斷進(jìn)步，但挑戰(zhàn)仍然存在，如背景噪音、口音和延遲?；旌辖鉀Q方案和遷移學(xué)習(xí)等創(chuàng)新正在解決這些問(wèn)題，為真實(shí)世界的應(yīng)用鋪平道路。

現(xiàn)在，似乎每臺(tái)商用設(shè)備都實(shí)現(xiàn)了語(yǔ)音識(shí)別，或者嘗試了語(yǔ)音識(shí)別。從跨平臺(tái)語(yǔ)音助手到轉(zhuǎn)錄服務(wù)和輔助工具，以及最近LLM的差異化因素——聽(tīng)寫(xiě)已成為日常用戶界面。語(yǔ)音用戶界面 (VUI) 的市場(chǎng)規(guī)模預(yù)計(jì)將在 2023 年至 2028 年期間以 23.39% 的復(fù)合年增長(zhǎng)率增長(zhǎng)，我們可以預(yù)期會(huì)有更多技術(shù)優(yōu)先的公司采用它。但你對(duì)這項(xiàng)技術(shù)的了解程度如何？

讓我們首先剖析和定義實(shí)現(xiàn)語(yǔ)音識(shí)別的最常見(jiàn)技術(shù)。

語(yǔ)音識(shí)別機(jī)制：它是如何工作的？

特征提取

在進(jìn)行任何“識(shí)別”之前，機(jī)器必須將我們產(chǎn)生的聲波轉(zhuǎn)換成它們可以理解的格式。這個(gè)過(guò)程稱為預(yù)處理和特征提取。兩種最常見(jiàn)的特征提取技術(shù)是梅爾頻率倒譜系數(shù) (MFCC) 和感知線性預(yù)測(cè) (PLP) 系數(shù)。

梅爾頻率倒譜系數(shù) (MFCC)

MFCC 可捕獲音頻信號(hào)的功率譜，從本質(zhì)上識(shí)別出每種聲音的獨(dú)特之處。該技術(shù)首先放大高頻以平衡信號(hào)并使其更清晰。然后將信號(hào)分成短幀或聲音片段，持續(xù)時(shí)間在 20 到 40 毫秒之間。然后分析這些幀以了解它們的頻率成分。通過(guò)應(yīng)用一系列模仿人耳如何感知音頻的濾波器，MFCC 可捕獲語(yǔ)音信號(hào)的關(guān)鍵、可識(shí)別特征。最后一步將這些特征轉(zhuǎn)換為聲學(xué)模型可以使用的數(shù)據(jù)格式。

感知線性預(yù)測(cè) (PLP) 系數(shù)

PLP 系數(shù)旨在盡可能地模仿人類聽(tīng)覺(jué)系統(tǒng)的響應(yīng)。與 MFCC 類似，PLP 會(huì)過(guò)濾聲音頻率以模擬人耳。過(guò)濾后，動(dòng)態(tài)范圍（樣本的“響度”范圍）會(huì)被壓縮，以反映我們的聽(tīng)覺(jué)對(duì)不同音量的不同反應(yīng)。在最后一步，PLP 會(huì)估算“頻譜包絡(luò)”，這是一種捕捉語(yǔ)音信號(hào)最基本特征的方法。此過(guò)程可提高語(yǔ)音識(shí)別系統(tǒng)的可靠性，尤其是在嘈雜的環(huán)境中。

聲學(xué)建模

聲學(xué)建模是語(yǔ)音識(shí)別系統(tǒng)的核心。它形成音頻信號(hào)（聲音）和語(yǔ)音的語(yǔ)音單元（構(gòu)成語(yǔ)言的不同聲音）之間的統(tǒng)計(jì)關(guān)系。最廣泛使用的技術(shù)包括隱馬爾可夫模型 (HMM) 和最近的深度神經(jīng)網(wǎng)絡(luò) (DNN)。

隱馬爾可夫模型（HMM）

自 20 世紀(jì) 60 年代末以來(lái)，HMM 一直是模式識(shí)別工程的基石。它們?cè)谡Z(yǔ)音處理方面特別有效，因?yàn)樗鼈儗⒖谡Z(yǔ)單詞分解為更小、更易于管理的部分，即音素。每個(gè)提取的音素都與 HMM 中的狀態(tài)相關(guān)聯(lián)，模型會(huì)計(jì)算從一種狀態(tài)轉(zhuǎn)換到另一種狀態(tài)的概率。這種概率方法允許系統(tǒng)從聲學(xué)信號(hào)中推斷出單詞，即使在存在噪音和不同個(gè)體語(yǔ)音差異的情況下也是如此。

深度神經(jīng)網(wǎng)絡(luò)（DNN）

近年來(lái)，隨著人工智能和機(jī)器學(xué)習(xí)的發(fā)展和人們的興趣不斷增加，DNN 已成為自然語(yǔ)言處理 (NLP)的首選。與依賴預(yù)定義狀態(tài)和轉(zhuǎn)換的 HMM 不同，DNN 直接從數(shù)據(jù)中學(xué)習(xí)。它們由多層互連的神經(jīng)元組成，這些神經(jīng)元逐步提取數(shù)據(jù)的高級(jí)表示。通過(guò)關(guān)注上下文以及某些單詞和聲音之間的關(guān)系，DNN 可以捕捉語(yǔ)音中更復(fù)雜的模式。與 HMM 相比，這使它們?cè)跍?zhǔn)確性和穩(wěn)健性方面表現(xiàn)更好，并且經(jīng)過(guò)額外的訓(xùn)練以適應(yīng)口音、方言和說(shuō)話風(fēng)格——這在日益多語(yǔ)言的世界中是一個(gè)巨大的優(yōu)勢(shì)。

展望未來(lái)：挑戰(zhàn)與創(chuàng)新

語(yǔ)音識(shí)別技術(shù)已經(jīng)取得了長(zhǎng)足的進(jìn)步，但任何用戶都會(huì)意識(shí)到，它還遠(yuǎn)非完美。背景噪音、多個(gè)說(shuō)話人、口音和延遲都是尚未解決的挑戰(zhàn)。隨著工程師們逐漸認(rèn)識(shí)到網(wǎng)絡(luò)模型的潛力，一項(xiàng)很有前景的創(chuàng)新是使用能夠同時(shí)利用 HMM 和 DNN 優(yōu)勢(shì)的混合解決方案。擴(kuò)大人工智能研究的另一個(gè)好處是跨領(lǐng)域應(yīng)用深度學(xué)習(xí)，傳統(tǒng)上用于圖像分析的卷積神經(jīng)網(wǎng)絡(luò) (CNN) 在語(yǔ)音處理方面顯示出了有希望的結(jié)果。另一個(gè)令人興奮的發(fā)展是遷移學(xué)習(xí)的使用，其中在大型數(shù)據(jù)集上訓(xùn)練的模型可以使用相對(duì)較小的配套數(shù)據(jù)集針對(duì)特定任務(wù)和語(yǔ)言進(jìn)行微調(diào)。這減少了為新應(yīng)用程序開(kāi)發(fā)高性能語(yǔ)音識(shí)別所需的時(shí)間和資源，從而允許采用更環(huán)保的方式重復(fù)模型部署。

整合所有內(nèi)容：真實(shí)世界的應(yīng)用

概括來(lái)說(shuō)，特征提取和聲學(xué)建模協(xié)同工作，形成所謂的語(yǔ)音識(shí)別系統(tǒng)。該過(guò)程首先使用預(yù)處理和特征識(shí)別將聲波轉(zhuǎn)換為可管理的數(shù)據(jù)。然后，這些數(shù)據(jù)點(diǎn)或特征被輸入到聲學(xué)模型中，聲學(xué)模型對(duì)其進(jìn)行解釋并將輸入轉(zhuǎn)換為文本。從那里，其他應(yīng)用程序可以輕松處理語(yǔ)音輸入。

從最嘈雜、最時(shí)間敏感的環(huán)境（如汽車界面）到個(gè)人設(shè)備上的無(wú)障礙替代方案，我們始終相信這項(xiàng)技術(shù)能夠?qū)崿F(xiàn)更多關(guān)鍵功能。作為深入?yún)⑴c改進(jìn)這項(xiàng)技術(shù)的人，我相信理解這些機(jī)制不僅僅是學(xué)術(shù)上的；它應(yīng)該激勵(lì)技術(shù)人員欣賞這些工具及其改善用戶體驗(yàn)的可訪問(wèn)性、可用性和效率的潛力。隨著 VUI 與大型語(yǔ)言模型 (LLM) 的聯(lián)系越來(lái)越緊密，工程師和設(shè)計(jì)師應(yīng)該熟悉可能成為生成式 AI 現(xiàn)實(shí)世界應(yīng)用中最常見(jiàn)界面的東西。

路由網(wǎng)(www.lu-you.com)您可以查閱其它相關(guān)文章！