文章摘要：在過去的十年里，人工智能驅(qū)動的語音識別系統(tǒng)已經(jīng)慢慢成為我們?nèi)粘Ｉ畹囊徊糠?，本篇文章從幾個部分科普一下什么是ASR技術(shù)，以及沃豐科技在其中的成功案例。

在過去的十年里，人工智能驅(qū)動的語音識別系統(tǒng)已經(jīng)慢慢成為我們?nèi)粘Ｉ畹囊徊糠?，從語音搜索到客服中心、汽車、醫(yī)院和餐廳里的虛擬助理。許多行業(yè)都在使用自動語音識別（ASR）來提高業(yè)務(wù)生產(chǎn)力、應(yīng)答效率以及在線業(yè)務(wù)滿意度。

接下來，小編通過本篇文章來講述一下這背后的技術(shù)以及流程。

首先什么是ASR技術(shù)？

語音識別技術(shù)是一種將人的語音轉(zhuǎn)換為文本的技術(shù)。其目標(biāo)是將人類的語音中的詞匯內(nèi)容轉(zhuǎn)換為計(jì)算機(jī)可讀的輸入，例如按鍵、二進(jìn)制編碼或者字符序列。與說話人識別及說話人確認(rèn)不同，后者嘗試識別或確認(rèn)發(fā)出語音的說話人而非其中所包含的詞匯內(nèi)容。簡單來說，ASR技術(shù)就是將人的語言轉(zhuǎn)化為計(jì)算機(jī)能夠識別的文字的過程。

語音識別過程一般包括三個部分：

????① 聲學(xué)模型：描述在給定詞的情況下，對應(yīng)聲學(xué)信號的概率。

????② 語言模型：描述語言序列關(guān)系的模型，關(guān)注序列產(chǎn)生的概率。

③ 解碼器：根據(jù)聲學(xué)模型和語言模型，搜索出最有可能的詞序列，其本質(zhì)是一個動態(tài)

規(guī)劃算法。

語音識別的一般流程為根據(jù)輸入的語音，提取語音特征，通過解碼器融合訓(xùn)練好的語言模型和聲學(xué)模型，得到最終的詞序列結(jié)果。字典的作用根據(jù)聲學(xué)模型識別出來的音素（漢語中一般為聲韻母），來找到對應(yīng)的漢字（詞）或者單詞，用來在聲學(xué)模型和語言模型建立橋梁，將兩者聯(lián)系起來。

ASR技術(shù)的發(fā)展歷程

語音識別技術(shù)在10年以前是統(tǒng)計(jì)模型；10年到20年，運(yùn)用的模型包括了特征提取、聲學(xué)模型，語言模型等模塊，是一個pipeline的系統(tǒng)，而到了20年以后，end-to-end從輸入到輸出只用一個算法模型，輸入是語音信號，輸出就是最終的詞序列的結(jié)果，也叫做端到端技術(shù)；另外這一階段也將圖像、翻譯技術(shù)融入到語音識別中，滿足多種場景的需求。

另外模型訓(xùn)練方面，其模型分為通用領(lǐng)域和垂直領(lǐng)域兩種。近年來，根據(jù)語音識別在不同場景中的應(yīng)用效果顯示，通用模型識別準(zhǔn)確率遠(yuǎn)低于垂直模型的識別準(zhǔn)確率，所以許多相關(guān)技術(shù)公司都在轉(zhuǎn)向垂直領(lǐng)域的模型訓(xùn)練。

ASR技術(shù)應(yīng)用中遇到的難點(diǎn)

在自動語音識別應(yīng)用場景中，那句“抱歉，我聽不懂您在說什么”或者“不好意思，請您再重復(fù)一遍”大概是所有使用者以及開發(fā)者的噩夢吧。這兩句話代表的對話的失敗，而導(dǎo)致這種問題出現(xiàn)的原因大概是以下幾個方面，這也是ASR技術(shù)在落地應(yīng)用中需要克服的難點(diǎn)問題。

• 噪音問題

在實(shí)際應(yīng)用中，用戶在于語音機(jī)器人溝通的過程中，所處的空間是具備多樣性的。比如外賣員、快遞員在送貨的過程中，會有風(fēng)噪聲、喇叭噪聲、行駛聲等，這對于語音識別就會有一定的影響，比如大促期間，顧客在地鐵上、超市中的聲音也會對語音識別構(gòu)成影響。

• 口音問題

口音問題包含方言以及口音不準(zhǔn)的問題。所謂“十里不同音，百里不同俗”。作為一個幅員遼闊的多民族國家，我國56個民族使用的語言分屬五大語系，共有80種以上語言。其中，漢語的使用人數(shù)最多，分為標(biāo)準(zhǔn)語（普通話）和方言。漢語方言通常分為十大方言，各方言區(qū)內(nèi)，又分布著若干次方言和許多種土語。部分方言之間差異很大，無法通話。為了消除語言隔閡，國家在全社會大力推廣普通話。然而，來自天南海北的人們，又賦予普通話五花八門的口音。而對于語音識別來說，這就是一個極其困難的事情。

• 實(shí)體識別

通俗來說，語音識別模型就是一個概率模型，當(dāng)語音傳入語音識別模型中，輸出為日常生活中常用到的詞語與句子的概率是高于其他稀疏詞的，日常生活中人名、地名、機(jī)構(gòu)名、專有名詞、藥名等，這種在不常用到，所以輸出為它本身的人名、地名的概率比較小，因此對這些詞的識別準(zhǔn)確率是決定該模型識別準(zhǔn)確率高低的關(guān)鍵因素。

?目前應(yīng)用的前沿技術(shù)是什么？（以沃豐科技相關(guān)技術(shù)為例）?

• 垂直領(lǐng)域數(shù)據(jù)訓(xùn)練

相較于通用數(shù)據(jù)，沃豐科技專注于客服領(lǐng)域，已經(jīng)為超過60家世界500強(qiáng)、200家中國500強(qiáng)客戶提供服務(wù)，沉淀了大量的可用于模型訓(xùn)練的客服數(shù)據(jù)，能夠支撐沃豐科技對模型進(jìn)行深度的優(yōu)化。

• 端到端技術(shù)方案

與BAT企業(yè)相比，沃豐科技率先完成了從pipeline到端到端到技術(shù)改進(jìn)，能將輸入語音直接進(jìn)行轉(zhuǎn)化，而傳統(tǒng)pipeline串聯(lián)過程中會有信息的遺失，信息轉(zhuǎn)化，轉(zhuǎn)化鏈路長。端到端的技術(shù)則轉(zhuǎn)化鏈路短、速度快，目前沃豐科技在這一過程中也實(shí)現(xiàn)了模型深度優(yōu)化。?

• 語言與聲學(xué)模型結(jié)合

熱詞優(yōu)化方面，行業(yè)內(nèi)對詞語進(jìn)行少量的優(yōu)化的情況下，都會用這個熱詞的方案，比如優(yōu)化姓名、地址、藥名等無實(shí)際意義且不常見的詞，這種詞用傳統(tǒng)的語言模型的方式或者熱詞方式是無法解決的。而沃豐科技通過語言模型與聲學(xué)模型結(jié)合的方式解決了這種問題，準(zhǔn)確率得到大幅提升。

通過上述方式，沃豐科技GaussMind語音識別技術(shù)達(dá)到了行業(yè)先進(jìn)水平，識別率可達(dá)95%。能夠進(jìn)行語音實(shí)時(shí)轉(zhuǎn)寫，邊接收語音，邊返回文字；識別效果優(yōu)化，個性化準(zhǔn)確率提升

附錄：

贈送幾個沃豐科技在ASR識別過程中的成功案例，用來佐證其在目前垂直行業(yè)中的高識別準(zhǔn)確率，也為其他企業(yè)相關(guān)場景的識別率提升提供一個解決思路。

• 96123

96123 是北京地鐵服務(wù)熱線，于2021年3月31日上線試運(yùn)行，業(yè)務(wù)范圍覆蓋北京城市軌道交通全路網(wǎng)范圍內(nèi)的運(yùn)營、票務(wù)和站內(nèi)服務(wù)等相關(guān)信息咨詢等服務(wù)，如乘車線路，票價(jià)查詢等日常乘坐軌道交通伴隨的問題。

痛點(diǎn)問題

1.日常咨詢量較大，人工處理工單量大、工單流轉(zhuǎn)效率有待提升

2.環(huán)境噪音、背景噪音及高地鐵站名稱相似度，數(shù)字與漢字并存，給語音識別帶來挑戰(zhàn)

3.北京作為首都，人員范圍廣，五湖四海的人群口音給語音識別帶來難度

4.用戶表達(dá)多樣性高，路線信息語義識別困難

解決方案

全面定制化：自研的GaussMind“原心引擎”進(jìn)行全面定制化識別、理解，快速、高效地打造96123智能語音機(jī)器人

ASR（自動語音識別）：“聽清”用戶說的“是什么”，準(zhǔn)確識別來自五湖四海的口音

NLP（自然語言處理）：“聽懂”用戶說的是“什么意思”，準(zhǔn)確理解出發(fā)地、目的地

對接業(yè)務(wù)系統(tǒng)：為用戶快速提供查詢結(jié)果信息，讓北京地鐵出行查詢更加智能、便捷

• 松果出行

松果出行成立于2017年9月，在全國各縣域運(yùn)營共享電單車（松果電單車）及新能源汽車租賃（松果租車）等業(yè)務(wù)，已在全國24個省近千個縣級區(qū)域成功運(yùn)營，成為縣域城市公共交通系統(tǒng)重要組成部分，是下沉市場共享電單車的領(lǐng)航企業(yè)。

痛點(diǎn)問題：

1、面對縣域用戶，需多樣化口音支持：面向全國27個省的縣域城市，主要集中在三四五線城市用戶，各地用戶的普通話往往帶有當(dāng)?shù)乜谝?，需要做到支持口音識別。

2、多系統(tǒng)對接：松果出行自有呼叫中心、短信平臺、訂單管理、車輛管理等系統(tǒng)，需要將機(jī)器人與多個系統(tǒng)對接，完成訂單、車輛的自動管理，支持特定業(yè)務(wù)自動生成工單。

3、業(yè)務(wù)問題廣泛且普遍共享電單車在使用過程中遇到的問題比較普遍，涉及問題場景較多，例如車輛問題：車輛故障、停車失??；訂單問題：訂單費(fèi)用、訂單退費(fèi)；賬戶押金問題：賬戶余額、押金等。

解決方案

• 定制化識別：松果出行縣域城市客戶群體規(guī)模大，多數(shù)客戶帶有口音，客戶極其看重ASR識別轉(zhuǎn)寫能力，沃豐科技經(jīng)過ASR模型定制化，識別準(zhǔn)確率遠(yuǎn)高于訊飛等其他供應(yīng)商。
• 多方系統(tǒng)協(xié)調(diào)對接：基于以往對接其他呼叫中心的豐富經(jīng)驗(yàn)，語音機(jī)器人與松果已有呼叫中心通過IP點(diǎn)對點(diǎn)方式直接對接，同時(shí)在機(jī)器人話術(shù)流程中增加查詢訂單、車輛自動關(guān)鎖 、創(chuàng)建工單及發(fā)送短信等外部接口，觸發(fā)某些特定業(yè)務(wù)后自動進(jìn)行，實(shí)現(xiàn)多個系統(tǒng)間的連接。
• 語音標(biāo)注及聲學(xué)模型訓(xùn)練：打通松果問題話術(shù)、知識庫等行業(yè)歷史數(shù)據(jù)，通過原心引擎 ，輸出識別結(jié)果，基于深度學(xué)習(xí)NLU模型，融合ASR輸出最優(yōu)結(jié)果，在對話詳情中嵌入語音標(biāo)注，支持錄音轉(zhuǎn)寫問題標(biāo)注，不斷優(yōu)化原心引擎，使得三線城市帶口音的普通話轉(zhuǎn)寫正確率達(dá)到95 %以上。同時(shí)，基于業(yè)務(wù)需求標(biāo)準(zhǔn)化，語音機(jī)器人系統(tǒng)內(nèi)置的變量類型支持實(shí)體識別，對語義進(jìn)行定制化識別，實(shí)現(xiàn)與客戶的良好交互。

• 想了解ASR技術(shù)應(yīng)用下的語音機(jī)器人可直接戳下方圖片免費(fèi)咨詢

  

文章為沃豐科技原創(chuàng)，轉(zhuǎn)載需注明來源：http://www.yzny.net.cn/ucm/report/20695