• 语音识别系统通常使用大量训练数据来学习声学模型和语言模型的参数，并可能采用迁移学习和微调等技术，以适应特定领域或口音。
  • 语音识别是人工智能（AI）的基本应用。广义上，AI 指开发能够执行通常需要人类智能的任务的计算机系统。
  • 语音识别涉及教计算机理解和解释口语，这项任务传统上被认为是人类独有的。

语音识别技术作为人工智能的一个子集，近年来取得了显著进展。基于人工智能的语音识别系统能够理解口语并将其转写为文本，准确率不断提高。

这些系统依赖复杂的算法，通常利用深度学习技术，解读音频输入并将其转换为文本。

存在怎样的联系？

语音识别与人工智能之间的联系在于任务的复杂性以及完成任务所使用的方法。

模式识别

语音识别系统依赖复杂的模式识别算法来解读口语中的声学模式，并将其映射为文本表示。这些算法通常涉及统计模型、机器学习技术和神经网络，所有这些都属于人工智能的范畴。

学习与适应

机器学习和深度学习等人工智能技术被用于训练语音识别模型。这些模型从大量标注的语音样本数据集中学习，并调整参数以提高准确率。这一过程模仿了人类学习语言的方式，使其成为一项典型的人工智能任务。

复杂决策

解读口语涉及基于不确定且模糊的输入做出复杂决策。语音识别系统必须考虑发音、口音、背景噪音及其他因素的变化。人工智能算法非常适合处理这类决策过程，使语音识别系统能够在各种现实场景中适应并良好运行。

与人工智能应用的集成

语音识别是许多人工智能应用的关键组成部分，包括虚拟助手（如 Siri、Alexa 和 Google Assistant）、语音转文字转录服务、声控设备、语言翻译工具以及为残障人士提供的辅助功能。这些应用利用人工智能技术，基于语音交互提供实用且直观的体验。

另请阅读：美国参议院提议为人工智能创新增加 320 亿美元资金

七步工作流程

1. 音频输入

该过程首先使用麦克风或任何音频录制设备捕捉音频输入。

2. 预处理

捕捉到的音频信号经过预处理，包括滤除噪声、放大信号，以及可能进行压缩以减小其大小。

3. 特征提取

然后，预处理后的音频信号被转换为适合分析的格式。这通常涉及将信号分割成称为帧的、相互重叠的小片段。从每一帧中，提取诸如梅尔频率倒谱系数（MFCCs）、频谱图或其他声学特征。这些特征捕捉了音频信号随时间变化的频率内容和强度信息。

另请阅读：SoftBank 使用呼叫中心人工智能来安抚愤怒客户

4. 声学建模

在这一步中，使用统计模型将提取的声学特征映射到音素或子词单元。音素是语言中最小的声音单位。声学模型可以基于隐马尔可夫模型（HMM）、高斯混合模型（GMM），或者最近基于深度神经网络（DNN），如卷积神经网络（CNN）或循环神经网络（RNN）。

5. 语言建模

一旦声学模型生成了音素或子词单元序列，语言模型就被用来为单词序列分配概率。这有助于系统根据输入音频选择最可能的单词序列。语言模型可以基于 n-gram 模型、循环神经网络（RNN）或 Transformer。

6. 解码

在这一步中，声学模型和语言模型的输出被结合起来，生成最终的口语转录文本。可以使用各种算法，如维特比算法或束搜索，根据声学模型和语言模型找出最可能的单词序列。

7. 后处理

最后，识别出的文本可能会经过后处理步骤，如标点符号和大小写修正、拼写检查以及上下文分析，以提高转录的准确性和可读性。