深圳新一代语音识别服务标准

    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，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大公司使用的都是该模型结构。图像识别中主流的模型就是CNN，而语音信号的时频图也可以看作是一幅图像，因此CNN也被引入到语音识别中。要想提高语音识别率，就需要克服语音信号所面临的多样性，包括说话人自身、说话人所处的环境、采集设备等，这些多样性都可以等价为各种滤波器与语音信号的卷积。而CNN相当于设计了一系列具有局部关注特性的滤波器，并通过训练学习得到滤波器的参数，从而从多样性的语音信号中抽取出不变的部分。智能玩具语音识别技术的智能化也让玩具行业进行了变革，比如智能语音娃娃、智能语音儿童机器人。深圳新一代语音识别服务标准

    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，但与其引起的关注度相比，这些产品实际取得的成绩则要逊色得多。刚一面世的时候，这会对搜索业务产生根本性威胁，但事实上直到的面世，这种根本性威胁才真的有了具体的载体。第三个关键点正是出现。

     深圳新一代语音识别服务标准而这也是语音识别技术当前发展比较火热的原因。

    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"(DeepLearning，DL)。深度学习不*使深层的神经网络训练变得更加容易，缩短了网络的训练时间，而且还大幅度提升了模型的性能。以这篇划时代的论文的发表为转折点，从此，全世界再次掀起了对神经网络的研究热潮，揭开了属于深度学习的时代序幕。在2009年，Hinton和他的学生Mohamed将深层神经网络(DNN)应用于声学建模，他们的尝试在TIMIT音素识别任务上取得了成功。然而TIMIT数据库包含的词汇量较小。在面对连续语音识别任务时还往往达不到人们期望的识别词和句子的正确率。2012年。

    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描述的是语音的短时平稳的动态性，GMM用来描述HMM每一状态内部的发音特征。基于GMM-HMM框架，研究者提出各种改进方法，如结合上下文信息的动态贝叶斯方法、区分性训练方法、自适应训练方法、HMM/NN混合模型方法等。这些方法都对语音识别研究产生了深远影响，并为下一代语音识别技术的产生做好了准备。自上世纪90年代语音识别声学模型的区分性训练准则和模型自适应方法被提出以后，在很长一段内语音识别的发展比较缓慢，语音识别错误率那条线一直没有明显下降。DNN-HMM时代2006年。声音从本质是一种波，也就是声波，这种波可以作为一种信号来进行处理。

    MarkGales和SteveYoung在2007年对HMM在语音识别中的应用做了详细阐述。随着统计模型的成功应用，HMM开始了对语音识别数十年的统治，直到现今仍被看作是领域内的主流技术。在DARPA的语音研究计划的资助下，又诞生了一批的语音识别系统，其中包括李开复()在卡耐基梅隆大学攻读博士学位时开发的SPHINX系统。该系统也是基于统计模型的非特定说话人连续语音识别系统，其采用了如下技术：①用HMM对语音状态的转移概率建模；②用高斯混合模型(GaussianMixtureModel，GMM)对语音状态的观察值概率建模。这种把上述二者相结合的方法，称为高斯混合模型-隐马尔可夫模型(GaussianMixtureModel-HiddenMarkovModel，GMM-HMM)[9]。在深度学习热潮出现之前，GMM-HMM一直是语音识别主流的技术。值得注意的是，在20世纪80年代末，随着分布式知识表达和反向传播算法(Backpropagation，BP)的提出，解决了非线性学习问题，于是关于神经网络的研究兴起，人工神经网络(ArtificialNeuralNetwork，ANN)被应用到语音领域并且掀起了一定的热潮。这是具有里程碑意义的事件。它为若干年后深度学习在语音识别中的崛起奠定了一定的基础。但是由于人工神经网络其自身的缺陷还未得到完全解决。声学模型是语音识别系统中为重要的部分之一。重庆远场语音识别

随着人工智能的火热，现阶段越来越多的产品都想要加入语音功能。深圳新一代语音识别服务标准

    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，跟一般的16kHz或8kHz语音不同，而相关的训练数据又很缺乏，因此识别效果会变得很差。低资源问题同样存在于方言识别，中国有七大方言区，包括官话方言(又称北方方言)、吴语、湘语、赣语、客家话、粤语、闽语(闽南语)，还有晋语、湘语等分支，要搜集各地数据(包括文本语料)相当困难。因此如何从高资源的声学模型和语言模型迁移到低资源的场景，减少数据搜集的代价，是很值得研究的方向。语种混杂(code-switch)。在日常交流中。深圳新一代语音识别服务标准