语音识别自半个世纪前诞生以来，一直处于不温不火的状态，直到2009年深度学习技术的长足发展才使得语音识别的精度提高，虽然还无法进行无限制领域、无限制人群的应用，但也在大多数场景中提供了一种便利高效的沟通方式。本篇文章将从技术和产业两个角度来回顾一下语音识别发展的历程和现状，并分析一些未来趋势，希望能帮助更多年轻技术人员了解语音行业，并能产生兴趣投身于这个行业。语音识别，通常称为自动语音识别，英文是AutomaticSpeechRecognition，缩写为ASR，主要是将人类语音中的词汇内容转换为计算机可读的输入，一般都是可以理解的文本内容，也有可能是二进制编码或者字符序列。但是，...

技术和产业之间形成了比较好的正向迭代效应，落地场景越多，得到的真实数据越多，挖掘的用户需求也更准确，这帮助了语音识别技术快速进步，也基本满足了产业需求，解决了很多实际问题，这也是语音识别相对其他AI技术为明显的优势。不过，我们也要看到，语音识别的内涵必须不断扩展，狭义语音识别必须走向广义语音识别，致力于让机器听懂人类语言，这才能将语音识别研究带到更高维度。我们相信，多技术、多学科、多传感的融合化将是未来人工智能发展的主流趋势。在这种趋势下，我们还有很多未来的问题需要探讨，比如键盘、鼠标、触摸屏和语音交互的关系怎么变化？搜索、电商、社交是否再次重构？硬件是否逆袭变得比软件更加重要？产业链中...

中国科学院声学所成为国内shou个开始研究计算机语音识别的机构。受限于当时的研究条件，我国的语音识别研究在这个阶段一直进展缓慢。放开以后，随着计算机应用技术和信号处理技术在我国的普及，越来越多的国内单位和机构具备了语音研究的成熟条件。而就在此时，外国的语音识别研究取得了较大的突破性进展，语音识别成为科技浪潮的前沿，得到了迅猛的发展，这推动了包括中科院声学所、中科院自动化所、清华大学、中国科技大学、哈尔滨工业大学、上海交通大学、西北工业大学、厦门大学等许多国内科研机构和高等院校投身到语音识别的相关研究当中。大多数的研究者将研究重点聚焦在语音识别基础理论研究和模型、算法的研究改进上。198...

DFCNN使用大量的卷积直接对整句语音信号进行建模，主要借鉴了图像识别的网络配置，每个卷积层使用小卷积核，并在多个卷积层之后再加上池化层，通过累积非常多卷积池化层对，从而可以看到更多的历史信息。2018年，阿里提出LFR-DFSMN（LowerFrameRate-DeepFeedforwardSequentialMemoryNetworks）。该模型将低帧率算法和DFSMN算法进行融合，语音识别错误率相比上一代技术降低20%，解码速度提升3倍。FSMN通过在FNN的隐层添加一些可学习的记忆模块，从而可以有效的对语音的长时相关性进行建模。而DFSMN是通过跳转避免深层网络的梯度消失问...

业界大部分都是按照静态解码的方式进行，即将声学模型和语言模型构造成WFST网络，该网络包含了所有可能路径，解码就是在该空间进行搜索的过程。由于该理论相对成熟，更多的是工程优化的问题，所以不论是学术还是产业目前关注的较少。语音识别的技术趋势语音识别主要趋于远场化和融合化的方向发展，但在远场可靠性还有很多难点没有突破，比如多轮交互、多人噪杂等场景还有待突破，还有需求较为迫切的人声分离等技术。新的技术应该彻底解决这些问题，让机器听觉远超人类的感知能力。这不能只是算法的进步，需要整个产业链的共同技术升级，包括更为先进的传感器和算力更强的芯片。单从远场语音识别技术来看，仍然存在很多挑战，包括：（...

机器必然要超越人类的五官，能够看到人类看不到的世界，听到人类听不到的世界。语音识别的产业历程语音识别这半个多世纪的产业历程中，其中的共有三个关键节点，两个和技术有关，一个和应用有关。关键节点是1988年的一篇博士论文，开发了基于隐马尔科夫模型（HMM）的语音识别系统——Sphinx，当时实现这一系统的正是现在的投资人李开复。从1986年到2010年，虽然混合高斯模型效果得到持续改善，而被应用到语音识别中，并且确实提升了语音识别的效果，但实际上语音识别已经遭遇了技术天花板，识别的准确率很难超过90%。很多人可能还记得，在1998年前后IBM、微软都曾经推出和语音识别相关的软件，但终并未取...

Google将其应用于语音识别领域，取得了非常好的效果，将词错误率降低至。如下图所示，Google提出新系统的框架由三个部分组成：Encoder编码器组件，它和标准的声学模型相似，输入的是语音信号的时频特征；经过一系列神经网络，映射成高级特征henc，然后传递给Attention组件，其使用henc特征学习输入x和预测子单元之间的对齐方式，子单元可以是一个音素或一个字。，attention模块的输出传递给Decoder，生成一系列假设词的概率分布，类似于传统的语言模型。端到端技术的突破，不再需要HMM来描述音素内部状态的变化，而是将语音识别的所有模块统一成神经网络模型，使语音识别朝...

语音识别自半个世纪前诞生以来，一直处于不温不火的状态，直到2009年深度学习技术的长足发展才使得语音识别的精度提高，虽然还无法进行无限制领域、无限制人群的应用，但也在大多数场景中提供了一种便利高效的沟通方式。本篇文章将从技术和产业两个角度来回顾一下语音识别发展的历程和现状，并分析一些未来趋势，希望能帮助更多年轻技术人员了解语音行业，并能产生兴趣投身于这个行业。语音识别，通常称为自动语音识别，英文是AutomaticSpeechRecognition，缩写为ASR，主要是将人类语音中的词汇内容转换为计算机可读的输入，一般都是可以理解的文本内容，也有可能是二进制编码或者字符序列。但是，...

还可能存在语种混杂现象，如中英混杂(尤其是城市白领)、普通话与方言混杂，但商业机构在这方面的投入还不多，对于中英混杂语音一般*能识别简单的英文词汇(如"你家Wi-Fi密码是多少")，因此如何有效提升多语种识别的准确率，也是当前语音识别技术面临的挑战之一。语音识别建模方法语音识别建模方法主要分为模板匹配、统计模型和深度模型几种类型，以下分别介绍DTW、GMM-HMM、DNN-HMM和端到端模型。往往会因为语速、语调等差异导致这个词的发音特征和时间长短各不相同。这样就造成通过采样得到的语音数据在时间轴上无法对齐的情况。如果时间序列无法对齐，那么传统的欧氏距离是无法有效地衡量出这两个序列间真...

但依然流畅、准确。整体使用下来，直观感受是在语音输入的大前提下、结合了谷歌翻译等类似的翻译软件，实时翻译、准翻译。在这两种模式下，完成输入后，同样可以像普通话模式一样，轻点VOICEM380语音识别键，对内容进行终的整合调整。同样，准确度相当ok。我挑战了一下，普通话模式在输入长度上的极限。快速读了一段文字，单次普通话模式的输入极限是一分零三秒、316个字符。时长上完全实现了官方的宣传，字符长度上，目测是因为个人语速不够，而受到了限制。类似的，我测试了一下，VOICEM380语音识别功能在距离上的极限。在相同语速、相同音量下，打开语音识别功能，不断后退，在声源与电脑中间不存在障碍的情况...

提升用户体验，仍然是要重点解决的问题。口语化。每个说话人的口音、语速和发声习惯都是不一样的，尤其是一些地区的口音(如南方口音、山东重口音)，会导致准确率急剧下降。还有电话场景和会议场景的语音识别，其中包含很多口语化表达，如闲聊式的对话，在这种情况下的识别效果也很不理想。因此语音识别系统需要提升自适应能力，以便更好地匹配个性化、口语化表达，排除这些因素对识别结果的影响，达到准确稳定的识别效果。低资源。特定场景、方言识别还存在低资源问题。手机APP采集的是16kHz宽带语音。有大量的数据可以训练，因此识别效果很好，但特定场景如银行/证券柜台很多采用专门设备采集语音，保存的采样格式压缩比很高...

智能音箱玩家们对这款产品的认识还都停留在：亚马逊出了一款叫Echo的产品，功能和Siri类似。先行者科大讯飞叮咚音箱的出师不利，更是加重了其它人的观望心态。真正让众多玩家从观望转为积极参与的转折点是逐步曝光的Echo销量，2016年底，Echo近千万的美国销量让整个世界震惊。这是智能设备从未达到过的高点，在Echo以前除了AppleWatch与手环，像恒温器、摄像头这样的产品突破百万销量已是惊人表现。这种销量以及智能音箱的AI属性促使2016年下半年，国内各大巨头几乎是同时转变应有的态度，积极打造自己的智能音箱。未来，回看整个发展历程，2019年是一个明确的分界点。在此之前，全行业是突...

LSTM通过输入门、输出门和遗忘门可以更好的控制信息的流动和传递，具有长短时记忆能力。虽然LSTM的计算复杂度会比DNN增加，但其整体性能比DNN有相对20%左右稳定提升。BLSTM是在LSTM基础上做的进一步改进，不仅考虑语音信号的历史信息对当前帧的影响，还要考虑未来信息对当前帧的影响，因此其网络中沿时间轴存在正向和反向两个信息传递过程，这样该模型可以更充分考虑上下文对于当前语音帧的影响，能够极大提高语音状态分类的准确率。BLSTM考虑未来信息的代价是需要进行句子级更新，模型训练的收敛速度比较慢，同时也会带来解码的延迟，对于这些问题，业届都进行了工程优化与改进，即使现在仍然有很多...

它在某些实际场景下的识别率无法达到人们对实际应用的要求和期望，这个阶段语音识别的研究陷入了瓶颈期。第三阶段：深度学习(DNN-HMM，E2E)2006年，变革到来。Hinton在全世界学术期刊Science上发表了论文，di一次提出了"深度置信网络"的概念。深度置信网络与传统训练方式的不同之处在于它有一个被称为"预训练"(pre-training)的过程，其作用是为了让神经网络的权值取到一个近似优解的值，之后使用反向传播算法(BP)或者其他算法进行"微调"(fine-tuning)，使整个网络得到训练优化。Hinton给这种多层神经网络的相关学习方法赋予了一个全新的名词——"深度学习"...

我们可以用语音跟它们做些简单交流，完成一些简单的任务等等。语音识别技术的应用领域：汽车语音控制当我们驾驶汽车在行驶过程中，必须时刻握好方向盘，但是难免有时候遇到急事需要拨打电话这些，这时候运用汽车上的语音拨号功能的免提电话通信方式便可简单实现。此外，对汽车的卫星导航定位系统（GPS）的操作，汽车空调、照明以及音响等设备的操作，同样也可以用语音的方式进行操作。语音识别技术的应用领域：工业控制及医疗领域在工业及医疗领域上，运用智能语音交互，能够让我们解放双手，只需要对机器发出命令，就可以让其操作完成需要的任务。提升了工作的效率。语音识别技术在个人助理、智能家居等很多领域都有运用到，随着语音...

语音文件“/timit/test/dr5/fnlp0/”的波形图、语谱图和标注SwitchBoard——对话式电话语音库，采样率为8kHz，包含来自美国各个地区543人的2400条通话录音。研究人员用这个数据库做语音识别测试已有20多年的历史。LibriSpeech——英文语音识别数据库，总共1000小时，采样率为16kHz。包含朗读式语音和对应的文本。Thchs-30——清华大学提供的一个中文示例，并配套完整的发音词典，其数据集有30小时，采样率为16kHz。AISHELL-1——希尔贝壳开源的178小时中文普通话数据，采样率为16kHz。包含400位来自中国不同口音地区的发音人的语...

听到人类听不到的世界。语音识别的产业历程语音识别这半个多世纪的产业历程中，其有三个关键节点，两个和技术有关，一个和应用有关。，开发了个基于模型的语音识别系统，当时实现这一系统。虽然混合高斯模型效果得到持续改善，而被应用到语音识别中，并且确实提升了语音识别的效果，但实际上语音识别已经遭遇了技术天花板，识别的准确率很难超过90%。很多人可能还记得，都曾经推出和语音识别相关的软件，但终并未取得成功。第二个关键节点是深度学习被系统应用到语音识别领域中。这导致识别的精度再次大幅提升，终突破90%，并且在标准环境下逼近98%。有意思的是，尽管技术取得了突破，也涌现出了一些与此相关的产品，但与其...

即识别准确率为，相较于2013年的准确率提升了接近20个百分点。这种水平的准确率已经接近正常人类。2016年10月18日，微软语音团队在Switchboard语音识别测试中打破了自己的好成绩，将词错误率降低至。次年，微软语音团队研究人员通过改进语音识别系统中基于神经网络的声学模型和语言模型，在之前的基础上引入了CNN-BLSTM(ConvolutionalNeuralNetworkCombinedwithBidirectionalLongShort-TermMemory，带有双向LSTM的卷积神经网络)模型，用于提升语音建模的效果。2017年8月20日，微软语音团队再次将这一纪录刷新，...

取距离近的样本所对应的词标注为该语音信号的发音。该方法对解决孤立词识别是有效的，但对于大词汇量、非特定人连续语音识别就无能为力。因此，进入80年代后，研究思路发生了重大变化，从传统的基于模板匹配的技术思路开始转向基于统计模型（HMM）的技术思路。HMM的理论基础在1970年前后就已经由Baum等人建立起来，随后由CMU的Baker和IBM的Jelinek等人将其应用到语音识别当中。HMM模型假定一个音素含有3到5个状态，同一状态的发音相对稳定，不同状态间是可以按照一定概率进行跳转；某一状态的特征分布可以用概率模型来描述，使用的模型是GMM。因此GMM-HMM框架中，HMM描述的是语...

语音识别自半个世纪前诞生以来，一直处于不温不火的状态，直到2009年深度学习技术的长足发展才使得语音识别的精度提高，虽然还无法进行无限制领域、无限制人群的应用，但也在大多数场景中提供了一种便利高效的沟通方式。本篇文章将从技术和产业两个角度来回顾一下语音识别发展的历程和现状，并分析一些未来趋势，希望能帮助更多年轻技术人员了解语音行业，并能产生兴趣投身于这个行业。语音识别，通常称为自动语音识别，英文是AutomaticSpeechRecognition，缩写为ASR，主要是将人类语音中的词汇内容转换为计算机可读的输入，一般都是可以理解的文本内容，也有可能是二进制编码或者字符序列。但是，我们...

业界大部分都是按照静态解码的方式进行，即将声学模型和语言模型构造成WFST网络，该网络包含了所有可能路径，解码就是在该空间进行搜索的过程。由于该理论相对成熟，更多的是工程优化的问题，所以不论是学术还是产业目前关注的较少。语音识别的技术趋势语音识别主要趋于远场化和融合化的方向发展，但在远场可靠性还有很多难点没有突破，比如多轮交互、多人噪杂等场景还有待突破，还有需求较为迫切的人声分离等技术。新的技术应该彻底解决这些问题，让机器听觉远超人类的感知能力。这不能只是算法的进步，需要整个产业链的共同技术升级，包括更为先进的传感器和算力更强的芯片。单从远场语音识别技术来看，仍然存在很多挑战，包括：（...

语音识别自半个世纪前诞生以来，一直处于不温不火的状态，直到2009年深度学习技术的长足发展才使得语音识别的精度提高，虽然还无法进行无限制领域、无限制人群的应用，但也在大多数场景中提供了一种便利高效的沟通方式。本篇文章将从技术和产业两个角度来回顾一下语音识别发展的历程和现状，并分析一些未来趋势，希望能帮助更多年轻技术人员了解语音行业，并能产生兴趣投身于这个行业。语音识别，通常称为自动语音识别，英文是AutomaticSpeechRecognition，缩写为ASR，主要是将人类语音中的词汇内容转换为计算机可读的输入，一般都是可以理解的文本内容，也有可能是二进制编码或者字符序列。但是，我们...

自2015年以来，谷歌、亚马逊、百度等公司陆续开始了对CTC模型的研发和使用，并且都获得了不错的性能提升。2014年，基于Attention(注意力机制)的端到端技术在机器翻译领域中得到了广的应用并取得了较好的实验结果，之后很快被大规模商用。于是，JanChorowski在2015年将Attention的应用扩展到了语音识别领域，结果大放异彩。在近的两年里，有一种称为Seq2Seq(SequencetoSequence)的基于Attention的语音识别模型在学术界引起了极大的关注，相关的研究取得了较大的进展。在加拿大召开的国际智能语音领域的会议ICASSP2018上，谷歌公司发表的研...

那就每家都要建立自己云服务稳定，确保响应速度，适配自己所选择的硬件平台，逐项整合具体的内容（比如音乐、有声读物）。这从产品方或者解决方案商的视角来看是不可接受的。这时候就会催生相应的平台服务商，它要同时解决技术、内容接入和工程细节等问题，终达成试错成本低、体验却足够好的目标。平台服务并不需要闭门造车，平台服务的前提是要有能屏蔽产品差异的操作系统，这是AI+IOT的特征，也是有所参照的，亚马逊过去近10年里是同步着手做两件事：一个是持续推出面向终端用户的产品，比如Echo，EchoShow等；一个是把所有产品所内置的系统Alexa进行平台化，面向设备端和技能端同步开放SDK和调试发布...

但依然流畅、准确。整体使用下来，直观感受是在语音输入的大前提下、结合了谷歌翻译等类似的翻译软件，实时翻译、准翻译。在这两种模式下，完成输入后，同样可以像普通话模式一样，轻点VOICEM380语音识别键，对内容进行终的整合调整。同样，准确度相当ok。我挑战了一下，普通话模式在输入长度上的极限。快速读了一段文字，单次普通话模式的输入极限是一分零三秒、316个字符。时长上完全实现了官方的宣传，字符长度上，目测是因为个人语速不够，而受到了限制。类似的，我测试了一下，VOICEM380语音识别功能在距离上的极限。在相同语速、相同音量下，打开语音识别功能，不断后退，在声源与电脑中间不存在障碍的情况...

行业的发展速度反过来会受限于平台服务商的供给能力。跳出具体案例来看，行业下一步发展的本质逻辑是：在具体每个点的投入产出是否达到一个普遍接受的界限。离这个界限越近，行业就越会接近滚雪球式发展的临界点，否则整体增速就会相对平缓。不管是家居、酒店、金融、教育或者其他场景，如果解决问题都是非常高投入并且长周期的事情，那对此承担成本的一方就会犹豫，这相当于试错成本过高。如果投入后，没有可感知的新体验或者销量促进，那对此承担成本的一方也会犹豫，显然这会影响值不值得上的判断。而这两个事情，归根结底都必须由平台方解决，产品方或者解决方案方对此无能为力，这是由智能语音交互的基础技术特征所决定。从技术...

即识别准确率为，相较于2013年的准确率提升了接近20个百分点。这种水平的准确率已经接近正常人类。2016年10月18日，微软语音团队在Switchboard语音识别测试中打破了自己的好成绩，将词错误率降低至。次年，微软语音团队研究人员通过改进语音识别系统中基于神经网络的声学模型和语言模型，在之前的基础上引入了CNN-BLSTM(ConvolutionalNeuralNetworkCombinedwithBidirectionalLongShort-TermMemory，带有双向LSTM的卷积神经网络)模型，用于提升语音建模的效果。2017年8月20日，微软语音团队再次将这一纪录刷新，...

它相对于GMM-HMM系统并没有什么优势可言，研究人员还是更倾向于基于统计模型的方法。在20世纪80年代还有一个值得一提的事件，美国3eec6ee2-7378-4724-83b5-9b技术署(NIST)在1987年di一次举办了NIST评测，这项评测在后来成为了全球语音评测。20世纪90年代，语音识别进入了一个技术相对成熟的时期，主流的GMM-HMM框架得到了更广的应用，在领域中的地位越发稳固。声学模型的说话人自适应(SpeakerAdaptation)方法和区分性训练(DiscriminativeTraining)准则的提出，进一步提升了语音识别系统的性能。1994年提出的大后验概率...

Siri、Alexa等虚拟助手的出现，让自动语音识别系统得到了更广的运用与发展。自动语音识别(ASR)是一种将口语转换为文本的过程。该技术正在不断应用于即时通讯应用程序、搜索引擎、车载系统和家庭自动化中。尽管所有这些系统都依赖于略有不同的技术流程，但这些所有系统的第一步都是相同的：捕获语音数据并将其转换为机器可读的文本。但ASR系统如何工作？它如何学会辨别语音？本文将简要介绍自动语音识别。我们将研究语音转换成文本的过程、如何构建ASR系统以及未来对ASR技术的期望。那么，我们开始吧！ASR系统：它们如何运作？因此，从基础层面来看，我们知道自动语音识别看起来如下：音频数据输入，文本数据输...

取距离近的样本所对应的词标注为该语音信号的发音。该方法对解决孤立词识别是有效的，但对于大词汇量、非特定人连续语音识别就无能为力。因此，进入80年代后，研究思路发生了重大变化，从传统的基于模板匹配的技术思路开始转向基于统计模型（HMM）的技术思路。HMM的理论基础在1970年前后就已经由Baum等人建立起来，随后由CMU的Baker和IBM的Jelinek等人将其应用到语音识别当中。HMM模型假定一个音素含有3到5个状态，同一状态的发音相对稳定，不同状态间是可以按照一定概率进行跳转；某一状态的特征分布可以用概率模型来描述，使用的模型是GMM。因此GMM-HMM框架中，HMM描述的是语...