你的童年是否也曾這樣對著大門發(fā)出命令？

當(dāng)然，大門用靜止表示對你的“忽視”。樂此不疲的孩子還是會時不時對著門喊上幾句，我們的潛意識是希望得到門有所回應(yīng)，比如：門開了。

命令失效的原因是什么？因為大門本身不具備聽到聲音的能力，如果我們能讓大門可以聽到你說的話、發(fā)出的命令，進一步才可以啟動語義和執(zhí)行系統(tǒng)控制它的開關(guān)。

這就引申到本次重點介紹的技術(shù)——語音識別。本次干貨分享由語音識別產(chǎn)品經(jīng)理：@ 焦糖瑪奇朵進行提供。希望能為大家打開語音識別的大門。

語音識別是一項將人類的聲音信號轉(zhuǎn)化為文字的過程。本文將從產(chǎn)品的角度對業(yè)界的語音識別產(chǎn)品進行歸類和說明。不同的產(chǎn)品類型具有不同的算法或者接口特性，對應(yīng)不同的需求場景。

根據(jù)識別內(nèi)容的范圍，語音識別的大類分列如下

1、封閉域識別：

識別范圍為預(yù)先指定的字/詞集合，即算法只在開發(fā)者預(yù)先設(shè)定的封閉域識別詞的集合內(nèi)進行語音識別，對范圍之外的語音會進行拒識。因此，可以將其聲學(xué)模型和語言模型進行裁剪，使得識別引擎的運算量也較小。并且可將引擎封到嵌入式芯片或者本地化的SDK中，從而使識別過程完全脫離云端，擺脫對網(wǎng)絡(luò)的依賴，并且不會影響識別率。業(yè)界廠商提供的引擎部署方式包括云端和本地化（如：芯片，模塊和純軟件SDK）。

產(chǎn)品類型：命令字/詞識別，語音喚醒，語法識別

產(chǎn)品形態(tài)：流式傳輸-同步獲取

典型的應(yīng)用場景：不涉及到多輪交互和多種語義說法的場景，如簡單指令交互的智能家居和電視盒子，語音控制指令一般只有：“打開窗簾”，“打開中央臺”等，但是一旦涉及到程序猿大大們在后臺配置識別詞集合之外的命令，如“給小編這篇文章來個打賞”，識別系統(tǒng)將拒識這段語音，不會返回相應(yīng)的文字結(jié)果，更不會做相應(yīng)的回復(fù)或者指令動作。

2、開放域識別：

無需預(yù)先指定識別詞集合，算法將在整個語言大集合范圍中進行識別。為適應(yīng)此類場景，聲學(xué)模型和語音模型一般都比較大，引擎運算量也較大。將其封裝到嵌入式芯片或者本地化的SDK中，耗能較高并且影響識別效果。業(yè)界廠商基本上都以云端形式提供，云端包括公有云形式和私有云形式。本地化形式只有帶服務(wù)器級別計算能力的嵌入式系統(tǒng)，如會議字幕系統(tǒng)。

產(chǎn)品類型按照說話風(fēng)格的特點，分為：

（1）語音聽寫：語音時長較短（<1min），一般情況下均為一句話。訓(xùn)練語料為朗讀風(fēng)格，語速較為平均。一般為人機對話場景，錄音質(zhì)量較好。

按照音頻錄入和結(jié)果獲取方式定義產(chǎn)品形態(tài)：

(a)流式上傳-同步獲取，應(yīng)用/軟件會對說話人的語音進行自動錄制并將其連續(xù)上傳至云端，說話人在說完話的同時能實時地看到返回的文字。語音云服務(wù)廠商的產(chǎn)品接口中會提供音頻錄制接口和格式編碼算法，供客戶端進行邊錄制邊上傳，并與云端建立長連接，同步監(jiān)聽并獲取識別結(jié)果。

(b)已錄制音頻文件上傳-同步獲取，用戶需自行預(yù)先錄制好規(guī)定格式的音頻，并使用語音云服務(wù)廠商提供的接口進行音頻上傳，客戶端與云端的連接和結(jié)果獲取方式與上述音頻流類似。

典型應(yīng)用場景：應(yīng)用發(fā)展已經(jīng)比較成熟：主要在輸入場景，如輸入法；與麥克風(fēng)陣列和語義結(jié)合的人機交互場景，如具備更自然交互形態(tài)的智能音響，如“叮咚叮咚，轉(zhuǎn)發(fā)小編這篇文章。”，在無配置的情況下，識別系統(tǒng)也能夠識別這段語音，返回相應(yīng)的文字結(jié)果。

（2）語音轉(zhuǎn)寫：語音時長一般較長（五小時內(nèi)），句子較多。訓(xùn)練語料為交談風(fēng)格，即說話人說話無組織性比較強，因此語速較不平均，吞字&連字現(xiàn)象較多。錄音大多為遠場或帶噪的。

除了模型不同之外，按照音頻錄入和結(jié)果獲取方式定義產(chǎn)品形態(tài)：

(a)音頻流轉(zhuǎn)寫：流式上傳-同步獲取，與上述語音聽寫類似，唯一不同的是，識別的時長不會有一句話的限制。

(b)非實時已錄制音頻轉(zhuǎn)寫：已錄制音頻文件上傳-異步獲取，用戶需自行調(diào)用軟件接口或者是硬件平臺預(yù)先錄制好規(guī)定格式的音頻，并使用語音云服務(wù)廠商提供的接口進行音頻上傳，上傳完成之后便可以斷掉連接。用戶通過輪詢語音云服務(wù)器或者使用回調(diào)接口進行結(jié)果獲取。

由于長語音的計算量較大，計算時間較長，因此采取異步獲取的方式可以避免由于網(wǎng)絡(luò)問題帶來的結(jié)果丟失。也因為語音轉(zhuǎn)寫系統(tǒng)通常是非實時處理的，這種工程形態(tài)也給了識別算法更多的時間進行多遍解碼。而長時的語料，也給了算法使用更長時的信息進行長短期記憶網(wǎng)絡(luò)建模。在同樣的輸入音頻下，此類型產(chǎn)品形態(tài)犧牲了一部分實時率，花費了更高的資源消耗，但是卻可以得到最高的識別率。在時間允許的使用場景下，非實時已錄制音頻轉(zhuǎn)寫無疑是最推薦的產(chǎn)品形態(tài)！

典型應(yīng)用場景：如字幕配置，客服語音質(zhì)檢，UGC語音內(nèi)容審查

概念厘清

1、離線VS在線

在訊飛開放平臺的產(chǎn)品定義和較多的客戶認(rèn)知中，離/在線的區(qū)別在于識別過程是否需要通過云端請求，即識別引擎是在云端還是本地。而云計算中的離/在線產(chǎn)品的引擎都處在云端，區(qū)別在于在計算過程中，客戶端是否需要與云端進行實時數(shù)據(jù)交互，即上述所述的音頻流和非實時已錄制音頻轉(zhuǎn)寫。兩者的定義有沖突，因此并不建議使用離/在線概念進行相關(guān)產(chǎn)品定義。

2、8K VS 16Khz采樣率語音模型

在眾多語音云服務(wù)廠商中，會根據(jù)音頻采樣率進行分類，從而訓(xùn)練出更適合各類采樣率的語音模型，最典型的為8K和16K模型。原始音頻信息保留越多越有利于識別率的提升，因此，16K音頻采用16K語音模型，其識別率會普遍高于8K音頻采用8K模型。

3、語音識別VS語義識別

語音識別是語義識別的前提基礎(chǔ)。語音識別將聲音轉(zhuǎn)化成文字，語義識別提取文字中的相關(guān)信息和相應(yīng)意圖，通過執(zhí)行模塊進行相應(yīng)的問題回復(fù)或者反饋動作。

結(jié)語：

最后舉一個栗子作為收尾：“叮咚叮咚，給小編這篇文章點個贊唄。”，在無后臺配置的情況下，封閉域的語音識別系統(tǒng)會拒識這段語音，開放域的識別系統(tǒng)卻能夠識別這段語音，返回相應(yīng)的文字結(jié)果。而現(xiàn)階段的開放域語義系統(tǒng)在大概率情況下，還是會回復(fù)得比較生硬，并且也不會自動識別出相應(yīng)的意圖并做出指令。按照現(xiàn)有的比較通用的方法，這個功能需要使用封閉域的語義識別在后臺預(yù)先配置相關(guān)答案，并且根據(jù)預(yù)先配置的信息抽取意圖，再根據(jù)意圖類別和槽位信息執(zhí)行相應(yīng)的動作——即調(diào)用微信的點贊接口（假設(shè)可以）進行相應(yīng)的點贊操作。

聽起來好繞呀，是不是覺得還是自己手動點個贊簡單粗暴省事得多了呢？然而，一切現(xiàn)代人類做起來自然而然&毫不費力的動作，卻都是建構(gòu)在經(jīng)過了億萬年的學(xué)習(xí)進化，兆億次閉環(huán)重復(fù)練習(xí)的智人基因！而任何的人工智能技術(shù)也是需要一個巨量的數(shù)據(jù)訓(xùn)練和一定的演變周期。并且在所有的科技發(fā)展進程中，率先取得突破并且在應(yīng)用領(lǐng)域產(chǎn)品成熟化往往都是在封閉域，亦如現(xiàn)在正處封閉域產(chǎn)品化的語義識別（如：AIUI，echo等），而語音識別的產(chǎn)品成熟化已經(jīng)走過了封閉域到達了開放域，正在向各行各業(yè)輸送人工智能的力量！

附圖：語音識別產(chǎn)品類別圖