文章摘要：人類通過語言，能夠把對世界的理解，想傳遞的信息，壓縮成一串很短的文字輸入給對方，對方聽完以后，能根據(jù)這些文字，還原事件、圖像，以及情感。鼠標(biāo)/鍵盤本質(zhì)上不是一種交互方式，而是一種輸入設(shè)備，真正的交互方式其實是以語言為載體的“命令”。隨著人工智能技術(shù)的發(fā)展，自然語言交互必定是實現(xiàn)“命令自然化”的關(guān)鍵突破口。語言聲學(xué)技術(shù)為人機交互注入了智能屬性，交互不再是精確的“指令”。

人類通過語言，能夠把對世界的理解，想傳遞的信息，壓縮成一串很短的文字輸入給對方，對方聽完以后，能根據(jù)這些文字，還原事件、圖像，以及情感。鼠標(biāo)/鍵盤本質(zhì)上不是一種交互方式，而是一種輸入設(shè)備，真正的交互方式其實是以語言為載體的“命令”。隨著人工智能技術(shù)的發(fā)展，自然語言交互必定是實現(xiàn)“命令自然化”的關(guān)鍵突破口。語言聲學(xué)技術(shù)為人機交互注入了智能屬性，交互不再是精確的“指令”。

在上世紀(jì)出現(xiàn)Google、百度等搜索引擎的時候，交互還是單向的，但出現(xiàn)智能手機之后我們的交互變成了雙向。比如蘋果的交互史，在剛開始做出來第一代iPhone的時候并沒有語音交互的能力，但經(jīng)過市場調(diào)研之后發(fā)現(xiàn)有75%的用戶都希望有語音控制。

于是，在后面兩代iPhone加入了語音控制，但到后面發(fā)現(xiàn)實際使用的用戶竟然不到5%，蘋果經(jīng)過總結(jié)之后發(fā)現(xiàn)不僅僅是語音，還必須有自然語言交互。

正如我們對自然語言處理技術(shù)的應(yīng)用場景的想象，關(guān)鍵在于足夠自然，人工智能永遠(yuǎn)都在追趕最高的自然智能。信息文明走向智能文明 ，機器需適應(yīng)人類的自然語言體系，然后完成任務(wù)。

語音識別包括：語音輸入、特征提取、特征向量、解碼器和單詞輸出。簡單來說，語音識別器利用算法通過以下步驟將口語轉(zhuǎn)化為文本：

步驟一：系統(tǒng)分析音頻；

步驟二：將音頻分解為多個部分；

步驟三：將音頻數(shù)字化為計算機可讀格式；

步驟四：使用算法將音頻與最合適的文本表示相匹配。

其中步驟四由解碼器完成，解碼器利用聲學(xué)模型、發(fā)音詞典和語言模型來確定適當(dāng)?shù)妮敵觥?/p>

語音識別的質(zhì)量基于轉(zhuǎn)化準(zhǔn)確率來衡量，發(fā)音、口音、音高、音量、背景噪音等因素都有可能增加錯誤率，因此必須添加聲學(xué)和語言模型：

聲學(xué)模型：用以表示語音和音頻信號的語言單位之間的關(guān)系。

語言模型：將語音與單詞序列相匹配，以區(qū)分發(fā)音相似的單詞。

基于自研原心引擎語音語義融合方案，打通業(yè)務(wù)領(lǐng)域數(shù)據(jù)，實現(xiàn)業(yè)務(wù)定制化的效果體驗，自然場景識別率超過95%，個性化詞匯識別超過97%，同時為語義模塊提供豐富的識別結(jié)果輸出,使語義識別率提升5個點以上采用國際前沿的端到端語音語義一體化建模算法，將語音快速準(zhǔn)確識別為文字，支持一句話識別、語音內(nèi)容分析、機器人對話、智能質(zhì)檢等多個場景。

》》點擊免費試用asr平臺，優(yōu)勢一試便知

文章為沃豐科技原創(chuàng)，轉(zhuǎn)載需注明來源：http://www.yzny.net.cn/ucm/faq/36554