精华内容
下载资源
问答
  • 原标题:人工智能之语音识别技术【科普】语言是人与人之间最重要的交流方式、能与机器进行自然的人机交流,是人类一直期待的事情。随着人工智能快速发展。语音识别技术作为人机交流接口的关键技术、发展迅速。在AI...

    原标题:人工智能之语音识别技术【科普】

    语言是人与人之间最重要的交流方式、能与机器进行自然的人机交流,是人类一直期待的事情。随着人工智能快速发展。语音识别技术作为人机交流接口的关键技术、发展迅速。在AI领域也是经常被提及。作为人工智能领域的从业者认识语音识别也是必须的。接下来就让我们科普科普。话不多说,直接上菜!

    语音识别概述

    语音识别技术就是让机器通过识别和理解过程,把语音信号转变为相应的文本或命令的技术。

    语音识别涉及的领域包括:数字信号处理、声学、语音学、计算机科学、心理学、人工智能等,是一门涵盖多个学科领域的交叉科学技术。

    语音识别的技术原理是模式识别,其一般过程可以总结为:

    预处理---特征提取---基于语音模型库下的模式匹配---基于语言模型库下的语言处理---完成识别

    9a1e8ae923164615b432f7ad28bf89d3.jpeg

    预处理

    声音的实质是波。语音识别所使用的音频文件格式必须是未经压缩处理的文件,如人类正常的语音输入等

    语音输入所面对的环境是复杂的主要存在以下问题

    对自然语言的识别和理解。首先必须将连续的讲话分解为词、音素等单位,其次要建立一个理解语义的规则。

    语音信息量大,语音模式不仅对不同的说话人不同,对同一说话人也是不同的,例如,一个说话人在随意说话和认真说话时的语音信息是不同的。一个人的说话方式随着时间变化。

    语音的模糊性。说话者在讲话时,不同的词可能听起来是相似的。这在英语和汉语中常见。

    单个字母或词、字的语音特性受上下文的影响,以致改变了重音、音调、音量和发音速度等。

    环境噪声和干扰对语音识别有严重影响,致使识别率低。

    所以预处理环节需要做到两个方面 静音切除、噪音处理和语音增强

    01静音切除

    又称语音边界检测或者说是端点检测是指在语音信号中将语音和非语音信号时段区分开来,准确地确定出语音信号的起始点然后从连续的语音流中检测出有效的语音段。它包括两个方面,检测出有效语音的起始点即前端点,检测出有效语音的结束点即后端点。经过端点检测后,后续处理就可以只对语音信号进行,这对提高模型的精确度和识别正确率有重要作用。

    在语音应用中进行语音的端点检测是很必要的,首先很简单的一点,就是在存储或传输语音的场景下,从连续的语音流中分离出有效语音,可以降低存储或传输的数据量。其次是在有些应用场景中,使用端点检测可以简化人机交互,比如在录音的场景中,语音后端点检测可以省略结束录音的操作。有些产品已经使用循环神经网络( RNN)技术来进行语音的端点检测。

    02噪音处理:

    实际采集到的音频通常会有一定强度的背景音,这些背景音一般是背景噪音,当背景噪音强度较大时,会对语音应用的效果产生明显的影响,比如语音识别率降低,端点检测灵敏度下降等,因此在语音的前端处理中,进行噪声抑制是很有必要的。噪声抑制的一般流程:稳定背景噪音频谱特征,在某一或几个频谱处幅度非常稳定,假设开始一小段背景是背景噪音,从起始背景噪音开始进行分组、Fourier变换,对这些分组求平均得到噪声的频谱。降噪过程是将含噪语音反向补偿之后得到降噪后的语音。

    03语音增强

    主要任务就是消除环境噪声对语音的影响。目前,比较常见的语音增强方法分类很多。其中基于短时谱估计增强算法中的谱减法及其改进形式是最为常用的,这是因为它的运算量较小,容易实时实现,而且增强效果也较好。此外,人们也在尝试将人工智能、隐马尔科夫模型、神经网络和粒子滤波器等理论用于语音增强,但目前尚未取得实质性进展。

    声学特征提取

    人通过声道产生声音,声道的形状决定了发出怎样的声音。声道的形状包括舌头,牙齿等。如果我们可以准确的知道这个形状,那么我们就可以对产生的音素进行准确的描述。声道的形状在语音短时可以由功率谱的包络中显示出来。因此,准确描述这一包络的特征就是声学特征识别步骤的主要功能。接收端接收到的语音信号经过上文的预处理以后便得到有效的语音信号,对每一帧波形进行声学特征提取便可以得到一个多维向量。这个向量便包含了一帧波形的内容信息,为后续的进一步识别做准备

    本文主要介绍使用最多的MFCC声学特征。

    01MFCC简介

    MFCC是Mel-Frequency Cepstral Coefficients的缩写,顾名思义MFCC特征提取包含两个关键步骤:转化到梅尔频率,然后进行倒谱分析

    Mel频率倒谱系数的缩写。Mel频率是基于人耳听觉特性提出来的,它与Hz频率成非线性对应关系。Mel频率倒谱系数(MFCC)则是利用它们之间的这种关系,计算得到的Hz频谱特征

    02MFCC提取流程

    MFCC参数的提取包括以下几个步骤:

    预滤波:CODEC前端带宽为300-3400Hz的抗混叠滤波器。

    A/D变换:8kHz的采样频率,12bit的线性量化精度。

    预加重:通过一个一阶有限激励响应高通滤波器,使信号的频谱变得平坦,不易受到有限字长效应的影响。

    分帧:根据语音的短时平稳特性,语音可以以帧为单位进行处理,实验中选取的语音帧长为32ms,帧叠为16ms。

    加窗:采用哈明窗对一帧语音加窗,以减小吉布斯效应的影响。

    快速傅立叶变换(Fast Fourier Transformation, FFT):将时域信号变换成为信号的功率谱。

    三角窗滤波:用一组Mel频标上线性分布的三角窗滤波器(共24个三角窗滤波器),对信号的功率谱滤波,每一个三角窗滤波器覆盖的范围都近似于人耳的一个临界带宽,以此来模拟人耳的掩蔽效应。

    求对数:三角窗滤波器组的输出求取对数,可以得到近似于同态变换的结果。

    离散余弦变换(Discrete Cosine Transformation, DCT):去除各维信号之间的相关性,将信号映射到低维空间。

    谱加权:由于倒谱的低阶参数易受说话人特性、信道特性等的影响,而高阶参数的分辨能力比较低,所以需要进行谱加权,抑制其低阶和高阶参数。

    倒谱均值减(Cepstrum Mean Subtraction, CMS):CMS可以有效地减小语音输入信道对特征参数的影响。

    差分参数:大量实验表明,在语音特征中加入表征语音动态特性的差分参数,能够提高系统的识别性能。在本系统中,我们也用到了MFCC参数的一阶差分参数和二阶差分参数。

    短时能量:语音的短时能量也是重要的特征参数,本系统中我们采用了语音的短时归一化对数能量及其一阶差分、二阶差分参数。

    MFCC提取一般流程

    084aaae5154448f08b47e63aec54bcea.jpeg

    模式匹配 和语言处理

    1a4f56be3cb444f6bf535ebe4d38f3b5.jpeg

    通过语音特征分析以后接下来就是模式匹配和语言处理

    声学模型是识别系统的底层模型,并且是语音识别系统中最关键的一部分。声学模型的目的是提供一种有效的方法计算语音的特征矢量序列和每个发音模板之间的距离。声学模型的设计和语言发音特点密切相关。声学模型单元大小(字发音模型、半音节模型或音素模型)对语音训练数据量大小、系统识别率,以及灵活性有较大的影响。必须根据不同语言的特点、识别系统词汇量的大小决定识别单元的大小。

    语言模型对中、大词汇量的语音识别系统特别重要。当分类发生错误时可以根据语言学模型、语法结构、语义学进行判断纠正,特别是一些同音字则必须通过上下文结构才能确定词义。语言学理论包括语义结构、语法规则、语言的数学描述模型等有关方面。目前比较成功的语言模型通常是采用统计语法的语言模型与基于规则语法结构命令语言模型。语法结构可以限定不同词之间的相互连接关系,减少了识别系统的搜索空间,这有利于提高系统的识别。语音识别过程实际上是一种认识过程。就像人们听语音时,并不把语音和语言的语法结构、语义结构分开来,因为当语音发音模糊时人们可以用这些知识来指导对语言的理解过程,但是对机器来说,识别系统也要利用这些方面的知识,只是如何有效地描述这些语法和语义还有困难:

    小词汇量语音识别系统。通常包括几十个词的语音识别系统。

    中等词汇量的语音识别系统。通常包括几百个词至上千个词的识别系统。

    大词汇量语音识别系统。通常包括几千至几万个词的语音识别系统。这些不同的限

    制也确定了语音识别系统的困难度。模式匹配部是语音识别系统的关键组成部分,它一般采用“基于模式匹配方式的语音识别技术”或者采用“基于统计模型方式的语音识别技术”。前者主要是指“动态时间规整(DTW法”,后者主要是指“隐马尔可夫(HMM)法”。

    隐马尔可夫模型(HMM)是语音信号处理中的一种统计模型,是由Markov链演变来的,所以它是基于参数模型的统计识别方法。由于其模式库是通过反复训练形成的与训练输出信号吻合概率最大的最佳模型参数而不是预先储存好的模式样本,且其识别过程中运用待识别语音序列与HMM参数之间的似然概率达到最大值所对应的最佳状态序列作为识别输出,因此是较理想的语音识别模型。

    动态时间归整)算法:在孤立词语音识别中,最为简单有效的方法是采用DTW(Dynamic Time Warping,动态时间归整)算法,该算法基于动态规划(DP)的思想,解决了发音长短不一的模板匹配问题,是语音识别中出现较早、较为经典的一种算法,用于孤立词识别。HMM算法在训练阶段需要提供大量的语音数据,通过反复计算才能得到模型参数,而DTW算法的训练中几乎不需要额外的计算。所以在孤立词语音识别中,DTW算法仍然得到广泛的应用。

    小结:语音识别在移动终端上的应用最为火热,语音对话机器人、智能音箱、语音助手、互动工具等层出不穷,许多互联网公司纷纷投入人力、物力和财力展开此方面的研究和应用。语音识别技术也将进入工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域。尤其是在智能家居系统中语音识别将成为人工智能在家庭重要的入口,同时,未来随着手持设备的小型化,智能穿戴化也将成为语音识别技术的重要应用领域。

    更所资讯请关注我们!一个有维度的人工智能平台!dmindAI 精彩等你来

    责任编辑:

    展开全文
  • 人工智能之语音识别概述(一)

    千次阅读 2020-09-27 17:18:28
    语音识别以语音为研究对象,它是语音信号处理的一个重要研究方向,是模式识别的一个分支,涉及到生理学、心理学、语言学、计算机科学以及信号处理等诸多领域,甚至还涉及到人的体态语言,最终目标是实现人与机器进行...

    1. 语音是被研究对象和基本内容

    语音识别以语音为研究对象,它是语音信号处理的一个重要研究方向,是模式识别的一个分支,涉及到生理学、心理学、语言学、计算机科学以及信号处理等诸多领域,甚至还涉及到人的体态语言,最终目标是实现人与机器进行自然语言通信

    语音识别的基本内容

    • 语音识别的定义
    • 语音识别发展历史
    • 语音识别系统框架

    2 语音识别的定义

    语音识别的定义
    语音识别在狭义上有称为自动语音识别(Automatic Speech Recognition,ASR),它本质上是一种人机交互方式,就是让计算机通过识别和理解过程把人类的语音信号转变为想要的文本或者命令,以便计算机进行理解和产生相应的操作。
    在这里插入图片描述
    语音识别的应用
    在这里插入图片描述

    3 语音识别发展史

    语音识别发展历程

    • 现代语音识别可以追溯到1952年,Davis等人研制了世界上第一个能识别10个英文数字发音的实验系统,从此正式开启了语音识别的进程。语音识别发展到今天已经有70多年,大致可以分为四个阶段。
      在这里插入图片描述

    语音识别发展的初期

    • 70年代,语音识别主要集中在小词汇量、孤立词识别方面,使用的方法也主要是简单的模板匹配方法,即首先提取语音信号的特征构建参数模板,然后将测试语音与参考模板参数进行一一比较和匹配,取距离最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

    HMM-GMM时代

    • 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。

    在这里插入图片描述

    DNN-HMM时代

    • 2009年,Hinton将DNN应用于语音的声学建模,在TIMIT上获得了当时最好的结果。2011年底,微软研究院的俞栋、邓力又把DNN技术应用在了大词汇量连续语音识别任务上,大大降低了语音识别错误率。从此语音识别进入DNN-HMM时代。

    在这里插入图片描述

    深度学习时代

    • 随着深度学习的发展,语音识别技术进入了端到端的技术阶段。端到端技术主要分成两类:一类是CTC方法,另一类是Sequence-to-Sequence方法。

    在这里插入图片描述

    语音识别技术发展历程

    在这里插入图片描述

    4 语音识别框架

    语音对话系统的组成

    • 我们只关注语音识别系统,语音识别系统主要包含四个组成部分:特征提取和信号处理、声学模型(Acoustic Model)、语言模型(Language Model)和解码搜索部分。

    在这里插入图片描述

    语音识别系统的组成

    -我们只关注语音识别系统,语音识别系统主要包含四个组成部分:特征提取和信号处理、声学模型(Acoustic Model)、语言模型(Language Model)和解码搜索部分。
    在这里插入图片描述

    展开全文
  • 1. 语音识别技术的重要性 各种终端设备的智能化和集成化程度越来越高,传统的信息检索和菜单操作方式已经越来越无法满足需求。迫切需要一种更加便捷的信息检索和命令方式来替代传统的按键操作。 语音识别技术的基本...

    1. 语音识别技术的重要性

    各种终端设备的智能化和集成化程度越来越高,传统的信息检索和菜单操作方式已经越来越无法满足需求。迫切需要一种更加便捷的信息检索和命令方式来替代传统的按键操作。

    语音识别技术的基本内容包括以下内容:

    • 语音识别基本单元
    • 语音识别流程
    • 语音识别技术应用

    2 语音识别基本单元

    语音识别系统组成
    语音识别系统本质上是一种模式识别系统,包括特征提取、模式匹配、参考模式库等三个基本单元。
    在这里插入图片描述

    语音识别研究领域分类
    在语音识别系统中,可以根据不同的方式对语音识别的研究进行分类。
    在这里插入图片描述

    3 语音识别流程

    基于HMM的语音识别过程

    • 在开始语音识别之前,通常需要把首尾段的静音切除,降低对后续步骤的干扰。这个静音切除的操作一般称为VAD。
      在这里插入图片描述

    • 分帧,也就是把声音切开成多个小段,每小段称为一帧。
      在这里插入图片描述

    • 波形变换:常用的一种方法是MFCC特征,通过12维度的向量来描述一帧的波形,12维向量是根据耳朵的生理特征提取的,这一过程称为声学特征提取。
      在这里插入图片描述

    • 矩阵变成文本

      1. 把帧识别成状态;
      2. 把状态组合成音素;
      3. 把音素组合成单词。
        在这里插入图片描述
    • 语音识别过程总结
      在这里插入图片描述

    4 语音识别最新进展

    最新进展

    • 目前,国外的应用一直以苹果的Siri,谷歌的Google Now为代表。
    • 国内国内方面,科大讯飞、云知声,百度语音等系统都采用了最新的语音识别技术,市面上其他的相关产品也直接或间接潜入了类似的技术。
      在这里插入图片描述
    展开全文
  • 1. 语音识别系统框架 1.1 语音识别系统的基本内容 语音特征特区 声学模型 语言模型 语音识别系统的框架如图所示,首先语音信号经过特征提取转换成数字语音信号,然后结合声学模型和语言模型对数字信号进行解码,...

    1. 语音识别系统框架

    1.1 语音识别系统的基本内容

    • 语音特征特区
    • 声学模型
    • 语言模型

    语音识别系统的框架如图所示,首先语音信号经过特征提取转换成数字语音信号,然后结合声学模型和语言模型对数字信号进行解码,最后完成语音的识别。
    在这里插入图片描述

    2 语音特征提取

    2.1 音频信号提取

    • 在任意一个语音识别系统中,第一步就是提取特征。换句话说,我们需要把音频信号中具有辨识性的成分提取出来。
    • 语音通常是指人说话的声音。从生物学的角度来看,是气流通过声带、咽喉、口腔、鼻腔等发出声音;从信号的角度来看,不同位置的震动频率不一样,最后的信号是由基频和一些谐波构成。
      在这里插入图片描述

    2.3 声谱图

    • 语音被分为很多帧,每帧语音都对应于一个频谱(通过短时FFT计算),频谱表示频率与能量的关系。在实际使用中,频谱图有三种,即线性振幅谱、对数振幅谱、自功率谱
      在这里插入图片描述

    2.4 声谱图旋转

    • 先将其中一帧语音的频谱通过坐标表示出来。现在我们将左边的频谱旋转90度。得到中间的图。然后把这些幅度映射到一个灰度级表示。
      在这里插入图片描述

    2.5 spectrogram声谱图

    • 我们会得到一个随着时间变化的频谱图,这个就是描述语音信号的spectrogram声谱图。
      在这里插入图片描述

    3 声学模型

    3.1 声学模型

    • 首先回顾一下语音识别的任务,输入input是音频wav文件,保存的一般是经过抽样量化编码之后数字信号,也就是每个样点的值。输出是文字序列,代表这段音频的内容。
      在这里插入图片描述

    3.2 主流的声学模型建模技术

    • 深度神经网络超强的特征学习能力大大简化了特征抽取的过程,降低了建模对于专家经验的依赖,因此建模流程逐步从之前复杂多步的流程转向了简单的端到端的建模流程。
      在这里插入图片描述
    展开全文
  • 人工智能之语音识别技术(四)

    千次阅读 2020-10-26 15:23:53
    它和认知科学、心理学、语音学、计算机科学、模式识别人工智能等学科有着紧密的联系。 语音信号处理的目的是要得到某些语音特征参数以便高效地传输或存储;或者是通过某种处理运算以达到某种用途的要求,例如人工...
  • 人工智能与信息社会 人工智能应用语音识别个人助理 陈斌北京大学gischen@ 语音识别技术 语音识别技术也被称为自动语音识别 Automatic Speech Recognition(ASR) 其目标是将人类的语音中的词汇内容转换为 相应的文字 ...
  • (19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 CN 111179938 A (43)申请公布日 2020.05.19 (21)申请号 201911369125.0 (22)申请...3333号中国合肥国际智能语音产业 园研发中心楼510-2室 (72)发明
  • 基于人工智能语音识别分析.pdf
  • 人工智能 语音识别技术;什么是语音识别技术;两款语音机器人;语音识别的实现1;语音识别的实现2;语音识别的实现3;语音识别的实现4;语音识别的实现5;语音识别的实现6;语音识别的实现7;语音识别的实现8;12;声学模型;传统...
  • 人工智能 语音识别技术
  • 人工智能之语音合成,语音识别

    千次阅读 2019-09-30 12:47:47
    人工智能 此篇是人工智能应用的重点,只用现成的技术不做底层算法,也是让初级程序员快速进入人工智能行业的捷径 目前市面上主流的AI技术提供公司有很多,比如百度,阿里,腾讯,主做语音的科大讯飞,做只能问答的图灵...
  • 人工智能语音识别技术

    千次阅读 2019-04-22 11:36:22
    了解关于语音识别技术的内容:人工智能智能语音交互技术与应用 (课程主要讲解人工智能 智能语音相关技术,包括语音识别、人机交互、语音合成等) 语音识别技术,也被称为自动语音识别Automatic Speech ...
  • 基于人工智能语音识别系统及应用研究.pdf
  • 基于人工智能语音识别分析 (1).pdf
  • 基于matlab的代码,可以直接运行的代码,不需要修改什么内容,适合快速上手,并基于此demo快速迭代改进,珍藏许久的资源。
  • 浅谈人工智能 | 语音识别面面观

    千次阅读 2018-09-30 13:46:22
    随着人工智能和智能助手(如亚马逊的Alexa,Apple的Siri和微软的Cortana)的崛起,语音识别已经得到了广泛应用。 语音识别系统使消费者只需通过与交谈即可与技术进行交互,从而实现免提请求、提醒和其他简单任务。...
  • 国内唯一一部人工智能AI应用类教程而非科研类教程,本教程让你不用纠结复杂的数学,繁杂的物理学,控制论,信息论,神经生理学,语言学,哲学和认知科学,心理学,计算机科学,不定性论,仿生学等学科理论,而转化为实操...
  • Recordmp3js 腾讯AIlab语音识别接口开发的流式语音识别web版
  • 人工智能 - 语音合成,语音识别,语音聊天机器人 语音合成 语音识别 语音聊天机器人 人工智能 - 语音合成,语音识别,语音聊天机器人 现成的AI算法平台http://ai.baidu.com/ 语音合成 根据百度大佬提供的文档...
  • AI-语音识别

    2020-12-22 17:15:57
    人工智能异常火热的当下,从Siri到小度,从小冰到小娜,智能语音正在融入人们的生活中。 所谓智能语音技术,就是研究人与计算机直接以自然语音的方式进行有效沟通的各种理论和方法,涉及语音识别、内容理解、...
  • 一前沿 语音识别技术是2000年至2010年间信息技术领域十大重要的科技发展技术一它是一门交叉学科正逐步成为信息技术中人机接口的关键技术语音识别 技术与语音合成技术结合使人们能够甩掉键盘通过语音命令进行操作...
  • 人工智能语音识别发展报告 Report of ArtificialIntelligence Development 目录 1. 语音识别 3 1.1. 语音识别概念 3 1.2. 语音识别发展历史 4 1.3. 人才概况 6 1.4. 论文解读 8 1.5. 语音识别进展 173 语音识别 1....
  • 人工智能语音识别经典.ppt
  • 人工智能 语音识别技术 1 2 什么是语音识别技术 ? 与机器进行语音交流让机器明白你说什么这是 人们长期以来梦寐以求的事情语音识别技术就是让 机器通过识别和理解过程把语音信号转变为相应的文 本或命令的高技术语音...
  • 在全新的AI历史机遇下,语音识别被应用于不同场景和不同设备,如多场景智能语音交互,应用于智能客服,外呼机器人,实时电话质检等场景;如呼叫中心音频文件转写,企业可使用呼叫中心音频文件转写服务,将电销业务、...
  • 用java实现本地语音实时采取,然后对接阿里AI语音识别实现,语音识别系统。并内部加载逻辑实现电脑语音控制
  • HarmonyOS之AI能力·语音识别技术

    万次阅读 2021-06-29 18:21:09
    它基于华为智慧引擎(HUAWEI HiAI Engine)中的语音识别引擎,向开发者提供人工智能应用层 API。该技术可以将语音文件、实时语音数据流转换为汉字序列,准确率达到 90% 以上(本地识别 95%)。 语音识别技术,也称为...
  • 智能家居和AI测试语音识别

    千次阅读 2019-05-07 12:00:22
    在全新的AI历史机遇下,语音识别被应用于不同场景和不同设备,如多场景智能语音交互,应用于智能客服,外呼机器人,实时电话质检等场景;如呼叫中心音频文件转写,企业可使用呼叫中心音频文件转写服务,将电销业务、...
  • 摘要:在人工智能识别系统中,语音是AI获取信息的重要途径,(今日头条极速版码 CX46BJ3E ) 现在AI语音识别真的可以和我们一样吗?各种算法的优化如何提升语音交互的用户体验? 在AI席卷全球时,围绕语音交互的...
  • 语音识别2020-10-123027 我国金融业务下沉的同时,其风险也在不断扩张。各类金融机构,无论是银行、互联网金融平台,还是私募基金、保险等,都将面临愈发严峻的风控挑战。 与此同时,基于新技术和新场景的诈骗手段...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 65,917
精华内容 26,366
关键字:

人工智能之语音识别