今天給大家介紹一下關(guān)于語音識別相關(guān)的知識，希望對大家有所幫助！

1、什么是語音

語音指的是人類通過發(fā)聲器官發(fā)出來具有一定意義、用來溝通交流的聲音。

計算機中語音存儲：以波形文件的方式存儲，通過波形反映語音的變化，從而可以獲取音強、音長等參數(shù)信息。

音域參數(shù)：傅利葉譜、梅爾頻率到譜系數(shù)，主要用來提取語音內(nèi)容以及音色的差別，用來更進一步辨別語音信息。

2、什么是語音識別

語音識別簡單來說就是把語音內(nèi)容自動轉(zhuǎn)換為文字的過程，是人與機器交互的一種技術(shù)。

涉及領(lǐng)域：聲學、人工智能、數(shù)字信號處理、心理學等方面。

語音識別的輸入：對一段聲音文件進行播放的序列。

語音識別的輸出：輸出的結(jié)果是一段文本序列。

3、語音識別的原理

語音識別需要經(jīng)過特征提取、聲學模型、語音模型、語音解碼和搜索算法四個部分。

特征提取：把要分析的信號從最原始信號提取出來，這個階段主要是對語音的幅度標準化、頻響校正、分幀、加窗、始末端點檢測等預處理操作，為聲學模型提供需要特征向量。

聲學模型：依靠聲學模型進行語音參數(shù)分析（語音共振峰頻率、幅度等）和對語音的線性預測參數(shù)進行分析。

語言模型：根據(jù)相關(guān)語言學理論，計算出聲音片段可能詞組序列的概率。

語音解碼和搜索算法：根據(jù)聲學模型+發(fā)音詞典+語音模型構(gòu)建的搜索空間，找到最合適的路徑。解碼完成后最終輸出文本。

4、語音識別系統(tǒng)的組成

一個完整的語音識別系統(tǒng)包括：預處理、特征提取、聲學模型訓練、語言模型訓練、語音解碼器。

4.1 預處理

對輸入的原始聲音信號進行處理，過濾掉其中的背景噪音、非重要信息，還要對找到語音信號的開始和結(jié)束、語音分幀、提升高頻部分的信號等操作。

4.2 特征提取

最常用的特征提取方法為梅爾頓到譜系數(shù)(MFCC),因為它擁有良好的抗噪性和健壯性。

4.3 聲學模型訓練

根據(jù)懸戀語音庫的特征參數(shù)訓練出聲學模型參數(shù)，從而可以在識別時與聲學模型進行匹配得到相應結(jié)果。目前主流語音識別系統(tǒng)一般都會采用HMM進行聲學模型建模。

4.4 語言模型訓練

用來預測哪個詞序列正確的可能性更大。

4.5 語音解碼器

解碼器也就是語音識別技術(shù)中的識別過程，根據(jù)輸入的語音信號，然后和訓練好的HMM聲學模型、語言模型、發(fā)音字典建立一個搜索空間，根據(jù)搜索算法找到最合適的路徑。從而找到最合適的詞串。

5、語音識別的使用場景

語音識別在日常生活中使用非常廣泛主要分為封閉式和開放式應用。

封閉式應用：主要指針對特定控制指令的應用。

比如常見的有智能家居比如通過語音指令控制燈開關(guān)、熱水器開關(guān)溫度調(diào)節(jié)、打開空調(diào)等，大大豐富了我們?nèi)粘５纳睿?/p>

開放式應用：開放式主要是廠商提供語音識別服務(wù)，一般會公有云或者私有云的方式部署提供對應的SDK，讓使用服務(wù)的客戶進行語音識別服務(wù)的調(diào)用。

常見的場景有輸入法、會議字幕實時輸出、視頻剪輯字幕配置等場景。