语音识别人工智能解决方案
背景介绍语音识别技术，也被称为自动语音识别(Automatic Speech Recognition ，ASR)，其目标是将人类的语音中的词汇内容转换为计算机可读的输入，例如按键、二进制编码或者字符序列。与说话人识别及说话人确认不同，后者尝试识别或确认发出语音的说话人而非其中所包含的词汇内容。
语音识别系统一般分训练和解码两阶段。训练，即通过大量标注的语音数据训练声学模型；解码，即通过声学模型和语言模型将训练集外的语音数据识别成文字，训练的声学模型好坏直接影响识别的精度。
语音识别技术已经发展了几十年，直到2009年，Hinton把人工智能深度学习解决方案引入语音识别中，语音识别才取得了巨大突破。本质上是把传统的混合高斯模型（GMM）替换成了深度神经网络（DNN）模型，传统GMM提取语音特征（如左下图所示）经过多个过程，而DNN模型提取语音特征（如右下图所示）可以精简不少工作，不需要对语音数据分布进行假设，不需要切分成stream来分段拟合；DNN的输入可以将相邻语音帧拼接成包含时序结构信息的矢量，在帧层次利用更多的上下文信息，相对识别错误率一下降低20%多，这个改进幅度超过了过去很多年的总和。这里的关键是把原来模型中通过GMM建模的手工特征换成了通过DNN进行更加复杂的特征学习。在此之后，在深度学习框架下，人们还在不断利用更好的模型，如RNN，LSTM和更多的训练数据进一步改进结果，深度学习使得语音识别的准确率能达到99%，足以在实验测试以外的实际场景中应用，并且被广泛商用。
解决方案介绍语音识别技术已经发展了几十年，直到2009年，Hinton把人工智能深度学习解决方案引入语音识别中，语音识别才 取得了巨大突破。本质上是把传统的混合高斯模型（GMM）替换成了深度神经网络（DNN）模型，传统GMM提取语音 特征（如左下图所示）经过多个过程，而DNN模型提取语音特征（如右下图所示）可以精简不少工作，不需要对语音数据分布进行假设，不需要切分成stream来分段拟合；DNN的输入可以将相邻语音帧拼接成包含时序结构信息的矢量，在帧层次利用更多的上下文信息，相对识别错误率一下降低20%多，这个改进幅度超过了过去很多年的总和。这里的关键是 把原来模型中通过GMM建模的手工特征换成了通过DNN进行更加复杂的特征学习。在此之后，在深度学习框架下，人 们还在不断利用更好的模型，如RNN，LSTM和更多的训练数据进一步改进结果，深度学习使得语音识别的准确率能达到 99%，足以在实验测试以外的实际场景中应用，并且被广泛商用。目前所有的商用语音识别算法没有一个不是基于深度学 习的，采用深度学习进行语音识别整个处理过程如下图所示。
