在過去十年中，人工智能支持的語音識別系統(tǒng)逐漸成為我們?nèi)粘Ｉ畹囊徊糠?，從語音搜索到聯(lián)絡(luò)中心、汽車、醫(yī)院和餐館的虛擬助手。這些語音識別的發(fā)展得益于深度學習的進步。

許多行業(yè)的開發(fā)人員現(xiàn)在使用自動語音識別（ ASR ）來提高業(yè)務(wù)生產(chǎn)率、應(yīng)用程序效率，甚至數(shù)字訪問能力。

什么是自動語音識別

語音識別技術(shù)能夠?qū)⒖谡Z（音頻信號）轉(zhuǎn)換為通常用作命令的書面文本。

當今最先進的軟件可以準確地處理各種語言方言和口音。例如， ASR 通常出現(xiàn)在面向用戶的應(yīng)用程序中，如虛擬代理、實時字幕和臨床筆記。準確的語音轉(zhuǎn)錄對于這些用例至關(guān)重要。

語音 AI 領(lǐng)域的開發(fā)者也使用 替代術(shù)語 描述語音識別，如 ASR 、語音到文本（ STT ）和語音識別。

ASR 是系統(tǒng)的關(guān)鍵組成部分 語音 AI ，這是一套旨在幫助人類通過語音與計算機對話的技術(shù)。

為什么在語音識別中使用自然語言處理

開發(fā)人員通常不清楚自然語言處理（ NLP ）模型在 ASR 管道中的作用。除了應(yīng)用于語言模型之外， NLP 還用于在 ASR 管道的末尾添加標點和大寫字母來增強生成的轉(zhuǎn)錄本。

在用 NLP 對轉(zhuǎn)錄本進行后處理后，文本用于下游語言建模任務(wù)，包括：

情緒分析

文本分析

文本摘要

問答

語音識別算法

語音識別算法可以通過使用統(tǒng)計算法的傳統(tǒng)方式實現(xiàn)，或者通過使用深度學習技術(shù)（如神經(jīng)網(wǎng)絡(luò)）將語音轉(zhuǎn)換為文本。

傳統(tǒng)的 ASR 算法

隱馬爾可夫模型（ HMM ）和動態(tài)時間扭曲（ DTW ）是用于執(zhí)行語音識別的傳統(tǒng)統(tǒng)計技術(shù)的兩個示例。

使用一組轉(zhuǎn)錄的音頻樣本，通過改變模型參數(shù)來訓練 HMM 以預(yù)測單詞序列，從而最大化觀察到的音頻序列的可能性。

DTW 是一種動態(tài)規(guī)劃算法，通過計算時間序列之間的距離來尋找最佳可能的單詞序列：一個代表未知語音，另一個代表已知單詞。

深度學習 ASR 算法

在過去幾年中，開發(fā)人員一直對語音識別的深度學習感興趣，因為統(tǒng)計算法不太準確。事實上，深度學習算法能更好地理解方言、口音、上下文和多種語言，即使在嘈雜的環(huán)境中也能準確地轉(zhuǎn)錄。

一些最流行的最先進的語音識別聲學模型有： Quartznet， Citrinet 和 Conformer 在典型的語音識別管道中，您可以根據(jù)您的用例和性能選擇和切換任何聲學模型。

深度學習模型的實現(xiàn)工具

有幾種工具可用于開發(fā)深度學習語音識別模型和管道，包括： Kaldi Mozilla DeepSpeech ， NVIDIA NeMo， Riva， TAO Toolkit ，以及來自谷歌、亞馬遜和微軟的服務(wù)。

Kaldi 、 DeepSpeech 和 NeMo 是幫助您構(gòu)建語音識別模型的開源工具包。 TAO 工具包和 Riva 是封閉源代碼 SDK ，可幫助您開發(fā)可在生產(chǎn)中部署的可定制管道。

谷歌、 AWS 和微軟等云服務(wù)提供商提供通用服務(wù)，您可以輕松地即插即用。

深度學習語音識別流水線

如圖 1 所示， ASR 管道由以下組件組成：將原始音頻轉(zhuǎn)換為頻譜圖的頻譜圖生成器、將頻譜圖作為輸入并輸出隨時間變化的字符概率矩陣的聲學模型、從概率矩陣生成可能句子的解碼器（可選地與語言模型耦合），最后，一種標點符號和大寫模式，用于格式化生成的文本，以便于人類使用。

用于語音識別的典型深度學習管道包括：

數(shù)據(jù)預(yù)處理

神經(jīng)聲學模型

解碼器（可選地與 n-gram 語言模型耦合）

標點和大寫模式。

圖 1 顯示了深度學習語音識別管道的示例：

圖 1.深度學習語音識別管道的示例

數(shù)據(jù)集在任何深度學習應(yīng)用中都是必不可少的。神經(jīng)網(wǎng)絡(luò)的功能類似于人腦。你用來教授模型的數(shù)據(jù)越多，它學習的越多。語音識別管道也是如此。

一些流行的 語音識別數(shù)據(jù)集 是 LibriSpeech ， Fisher 英語培訓演講， Mozilla 通用語音 （ MCV ）、 VoxPopuli 、 2000 HUB 5 英語評估演講、 AN4 （包括人們拼寫地址和姓名的錄音）和 Aisell-1 / Aisell-2 漢語語音語料庫。除了您自己的專有數(shù)據(jù)集之外，還可以使用一些開源數(shù)據(jù)集。

數(shù)據(jù)處理是第一步。它包括數(shù)據(jù)預(yù)處理/增強技術(shù)，如速度/時間/噪聲/脈沖擾動和時間拉伸增強、使用窗口的快速傅立葉變換（ FFT ）和歸一化技術(shù)。

例如，在下圖 2 中，使用加窗技術(shù)應(yīng)用 FFT 后，從原始音頻波形生成 mel 譜圖。

圖 2.音頻記錄原始音頻波形（左）和 mel 頻譜圖（右）

我們還可以使用擾動技術(shù)來擴充訓練數(shù)據(jù)集。圖 3 和圖 4 顯示了噪聲擾動和掩蔽等技術(shù)，用于增加訓練數(shù)據(jù)集的大小，以避免過擬合等問題。

圖 3.噪聲增強音頻波形到噪聲增強 mel 頻譜圖圖像

圖 4.噪聲增強的 mel 頻譜圖到噪聲增強的掩蔽 mel 頻譜圖像

數(shù)據(jù)預(yù)處理階段的輸出是頻譜圖/ mel 頻譜圖，它是音頻信號強度隨時間變化的視覺表示。

然后將 Mel 光譜圖送入下一階段： 神經(jīng)聲學模型 QuartzNet 、 CitriNet 、 ContextNet 、 Conformer CTC 和 Conformer-Transducer 是尖端神經(jīng)聲學模型的示例。存在多個 ASR 模型有幾個原因，例如需要實時性能、更高的精度、內(nèi)存大小和用例的計算成本。

然而，基于構(gòu)象的模型由于其提高的準確性和理解能力而變得越來越流行。聲學模型返回每個時間戳的字符/單詞概率。

圖 5 顯示了聲學模型的輸出，帶有時間戳。

圖 5. 聲學模型的輸出包括每個時間步詞匯字符的概率分布

聲學模型的輸出與語言模型一起輸入解碼器。解碼器包括波束搜索和貪婪解碼器，語言模型包括 n-gram 語言、 KenLM 和神經(jīng)評分。當涉及到解碼器時，它有助于生成頂部單詞，然后將其傳遞給語言模型以預(yù)測正確的句子。

在下圖中，解碼器根據(jù)概率得分選擇下一個最佳單詞。根據(jù)最終的最高分數(shù)，選擇正確的單詞或句子，并將其發(fā)送到標點符號和大小寫模型。

圖 6.解碼器工作流程示例

ASR 管道生成沒有標點或大寫的文本。

最后，使用標點符號和大寫字母模型來提高文本質(zhì)量，以提高可讀性。來自變換器（ BERT ）模型的雙向編碼器表示通常用于生成標點文本。

圖 7 展示了標點符號前后和大小寫模型的一個簡單示例：

圖 7.標點符號和大小寫模型的示例輸出

語音識別行業(yè)影響

語音識別可以幫助金融、電信和統(tǒng)一通信即服務(wù)（ UCaaS ）等行業(yè)改善客戶體驗、運營效率和投資回報率（ ROI ）。

金融

語音識別應(yīng)用于金融行業(yè)，例如： 呼叫中心代理協(xié)助 和交易記錄。 ASR 用于轉(zhuǎn)錄客戶與呼叫中心代理/交易大廳代理之間的對話。然后可以分析生成的轉(zhuǎn)錄，并將其用于向代理提供實時建議。這將使通話后時間減少 80% 。

此外，生成的轉(zhuǎn)錄本用于下游任務(wù)，包括：

情緒分析

文本摘要

問答

意圖和實體識別

電信

聯(lián)絡(luò)中心是電信行業(yè)的重要組成部分。通過呼叫中心技術(shù)，您可以重新想象電信客戶中心，語音識別可以幫助您實現(xiàn)這一點。正如前面在財務(wù)呼叫中心用例中所討論的， ASR 用于電信聯(lián)絡(luò)中心轉(zhuǎn)錄客戶和聯(lián)絡(luò)中心代理之間的對話，以便實時分析客戶和推薦呼叫中心代理。 T-Mobile 使用 ASR 快速解決客戶問題 例如

統(tǒng)一通信及時服務(wù)（ UCaaS ）

新冠肺炎增加了對統(tǒng)一通信即服務(wù)（ UCaaS ）解決方案的需求，該領(lǐng)域的供應(yīng)商開始專注于使用語音人工智能技術(shù)，如 ASR ，以創(chuàng)造更具吸引力的會議體驗。

例如， ASR 可用于生成 視頻會議中的實時字幕。 然后，生成的標題可用于后續(xù)任務(wù)，如會議摘要和識別筆記中的行動項目。

ASR 技術(shù)的未來

語音識別并不像聽起來那么容易。開發(fā)語音識別充滿了挑戰(zhàn)，從準確性到用例定制，再到實時性能。另一方面，企業(yè)和學術(shù)機構(gòu)正在競相克服其中一些挑戰(zhàn)，并推進語音識別能力的使用。

ASR 挑戰(zhàn)

在生產(chǎn)中開發(fā)和部署語音識別管道的一些挑戰(zhàn)包括：

由于缺乏提供最先進（ SOTA ） ASR 模型的工具和 SDK ，開發(fā)人員很難利用最好的語音識別技術(shù)。

有限的自定義功能，使開發(fā)人員能夠微調(diào)特定于域和上下文的行話、多種語言、方言和口音，以便讓您的應(yīng)用程序像您一樣理解和說話

限制部署支持；例如，根據(jù)用例的不同，軟件應(yīng)該能夠部署在任何云中、 prem 、 edge 和嵌入式上。

實時語音識別流水線；例如，在呼叫中心代理輔助用例中，在使用會話授權(quán)代理之前，我們不能等待幾秒鐘才能轉(zhuǎn)錄會話。

ASR 進展

語音識別在研究和軟件開發(fā)方面都取得了許多進展。首先，研究結(jié)果開發(fā)了幾種新的尖端 ASR 體系結(jié)構(gòu)、 E2E 語音識別模型和自監(jiān)督或無監(jiān)督訓練技術(shù)。

在軟件方面，有一些工具可以快速訪問 SOTA 模型，還有一些不同的工具可以將模型部署為生產(chǎn)中的服務(wù)。

關(guān)鍵要點

由于語音識別在基于深度學習的算法方面的進步，語音識別的采用率持續(xù)增長，這使得語音識別與人類識別一樣準確。此外，多語言 ASR 等突破有助于公司在全球范圍內(nèi)提供應(yīng)用程序，將算法從云端移動到設(shè)備上可以節(jié)省資金、保護隱私并加快推理速度。

NVIDIA 提供 Riva ，一個語音 AI SDK ，以解決上面討論的幾個挑戰(zhàn)。通過 Riva ，您可以快速訪問為生產(chǎn)目的量身定制的最新 SOTA 研究模型。您可以根據(jù)您的領(lǐng)域和用例自定義這些模型，在任何云上、 prem 上、 edge 上或嵌入式上部署，并實時運行它們以進行自然交互。

關(guān)于作者

Sirisha Rella 是 NVIDIA 的技術(shù)產(chǎn)品營銷經(jīng)理，專注于計算機視覺、語音和基于語言的深度學習應(yīng)用。 Sirisha 獲得了密蘇里大學堪薩斯城分校的計算機科學碩士學位，是國家科學基金會大學習中心的研究生助理。

審核編輯：郭婷