取距離近的樣本所對應(yīng)的詞標注為該語音信號的發(fā)音。該方法對解決孤立詞識別是有效的,，但對于大詞匯量,、非特定人連續(xù)語音識別就無能為力。因此,，進入80年代后,，研究思路發(fā)生了重大變化，從傳統(tǒng)的基于模板匹配的技術(shù)思路開始轉(zhuǎn)向基于統(tǒng)計模型（HMM）的技術(shù)思路,。HMM的理論基礎(chǔ)在1970年前后就已經(jīng)由Baum等人建立起來,，隨后由CMU的Baker和IBM的Jelinek等人將其應(yīng)用到語音識別當中。HMM模型假定一個音素含有3到5個狀態(tài),，同一狀態(tài)的發(fā)音相對穩(wěn)定,，不同狀態(tài)間是可以按照一定概率進行跳轉(zhuǎn)；某一狀態(tài)的特征分布可以用概率模型來描述,，使用的模型是GMM,。因此GMM-HMM框架中，HMM描述的是語音的短時平穩(wěn)的動態(tài)性,，GMM用來描述HMM每一狀態(tài)內(nèi)部的發(fā)音特征,。基于GMM-HMM框架,，研究者提出各種改進方法,，如結(jié)合上下文信息的動態(tài)貝葉斯方法、區(qū)分性訓練方法,、自適應(yīng)訓練方法,、HMM/NN混合模型方法等,。這些方法都對語音識別研究產(chǎn)生了深遠影響，并為下一代語音識別技術(shù)的產(chǎn)生做好了準備,。自上世紀90年代語音識別聲學模型的區(qū)分性訓練準則和模型自適應(yīng)方法被提出以后,，在很長一段內(nèi)語音識別的發(fā)展比較緩慢，語音識別錯誤率那條線一直沒有明顯下降,。DNN-HMM時代2006年,。它融合了語言學、計算機科學和電氣工程領(lǐng)域的知識和研究,。山東語音識別設(shè)置
共振峰的位置,、帶寬和幅度決定元音音色，改變聲道形狀可改變共振峰,，改變音色,。語音可分為濁音和清音，其中濁音是由聲帶振動并激勵聲道而得到的語音,，清音是由氣流高速沖過某處收縮的聲道所產(chǎn)生的語音,。語音的產(chǎn)生過程可進一步抽象成如圖1-2所示的激勵模型，包含激勵源和聲道部分,。在激勵源部分,，沖擊序列發(fā)生器以基音周期產(chǎn)生周期性信號，經(jīng)過聲帶振動,，相當于經(jīng)過聲門波模型,，肺部氣流大小相當于振幅；隨機噪聲發(fā)生器產(chǎn)生非周期信號,。聲道模型模擬口腔,、鼻腔等聲道qi官，后產(chǎn)生語音信號,。我們要發(fā)濁音時,，聲帶振動形成準周期的沖擊序列。發(fā)清音時,，聲帶松弛,，相當于發(fā)出一個隨機噪聲。圖1-2產(chǎn)生語音的激勵模型,，人耳是聲音的感知qi官,，分為外耳、中耳和內(nèi)耳三部分,。外耳的作用包括聲源的定位和聲音的放大,。外耳包含耳翼和外耳道，耳翼的作用是保護耳孔，并具有定向作用,。外耳道同其他管道一樣也有共振頻率,，大約是3400Hz。鼓膜位于外耳道內(nèi)端,，聲音的振動通過鼓膜傳到內(nèi)耳,。中耳由三塊聽小骨組成，作用包括放大聲壓和保護內(nèi)耳,。中耳通過咽鼓管與鼻腔相通,，其作用是調(diào)節(jié)中耳壓力。內(nèi)耳的耳蝸實現(xiàn)聲振動到神經(jīng)沖動的轉(zhuǎn)換,，并傳遞到大腦,。深圳自主可控語音識別內(nèi)容一個眾所周知的應(yīng)用是自動語音識別，以應(yīng)對不同的說話速度,。
亞馬遜的Echo音箱剛開始推出的兩三年,，國內(nèi)的智能音箱市場還不溫不火，不為消費者所接受,，因此銷量非常有限,。但自2017年以來，智能家居逐漸普及,，音箱市場開始火熱，為搶占語音入口,，阿里巴巴,、百度、小米,、華為等大公司紛紛推出了各自的智能音箱,。據(jù)Canalys報告，2019年第1季度中國市場智能音箱出貨量全球占比51%,，超過美國,，成為全球*大的智能音箱市場。據(jù)奧維云網(wǎng)(AVC)數(shù)據(jù)顯示,，2019年上半年中國智能音箱市場銷量為1556萬臺,，同比增長233%。隨著語音市場的擴大,，國內(nèi)涌現(xiàn)出一批具有強大競爭力的語音公司和研究團隊,，包括云知聲、思必馳,、出門問問,、聲智科技、北科瑞聲、天聰智能等,。他們推出的語音產(chǎn)品和解決方案主要針對特定場景,，如車載導航、智能家居,、醫(yī)院的病歷輸入,、智能客服、會議系統(tǒng),、證券柜臺業(yè)務(wù)等,，因為采用深度定制，識別效果和產(chǎn)品體驗更佳,。在市場上獲得了不錯的反響,。針對智能硬件的離線識別，云知聲和思必馳等公司還研發(fā)出專門的語音芯片,，進一步降低功耗,，提高產(chǎn)品的性價比,。在國內(nèi)語音應(yīng)用突飛猛進的同時,，各大公司和研究團隊紛紛在國際學術(shù)會議和期刊上發(fā)表研究成果。2015年,，張仕良等人提出了前饋型序列記憶網(wǎng)絡(luò),。
即識別準確率為,，相較于2013年的準確率提升了接近20個百分點。這種水平的準確率已經(jīng)接近正常人類,。2016年10月18日,，微軟語音團隊在Switchboard語音識別測試中打破了自己的好成績，將詞錯誤率降低至,。次年,，微軟語音團隊研究人員通過改進語音識別系統(tǒng)中基于神經(jīng)網(wǎng)絡(luò)的聲學模型和語言模型，在之前的基礎(chǔ)上引入了CNN-BLSTM(ConvolutionalNeuralNetworkCombinedwithBidirectionalLongShort-TermMemory,，帶有雙向LSTM的卷積神經(jīng)網(wǎng)絡(luò))模型,，用于提升語音建模的效果。2017年8月20日,，微軟語音團隊再次將這一紀錄刷新,，在Switchboard測試中將詞錯誤率從，即識別準確率達到,，與谷歌一起成為了行業(yè),。另外，亞馬遜(Amazon)公司在語音行業(yè)可謂后發(fā)制人,，其在2014年底正式推出了Echo智能音箱,，并通過該音箱搭載的Alexa語音助理,，為使用者提供種種應(yīng)用服務(wù)。Echo智能音箱一經(jīng)推出,，在消費市場上取得了巨大的成功,。如今已成為美國使用廣的智能家居產(chǎn)品，至今累計銷量已超過2000萬臺,。投資機構(gòu)摩根士丹利分析師稱智能音箱是繼iPad之后"成功的消費電子產(chǎn)品",。國內(nèi)語音識別現(xiàn)狀國內(nèi)早的語音識別研究開始于1958年，中國科學院聲學所研究出一種電子管電路,，該電子管可以識別10個元音,。1973年。對于強噪聲,、超遠場,、強干擾、多語種,、大詞匯等場景下的語音識別還需要很大的提升,。
中國科學院聲學所成為國內(nèi)shou個開始研究計算機語音識別的機構(gòu)。受限于當時的研究條件,，我國的語音識別研究在這個階段一直進展緩慢,。放開以后，隨著計算機應(yīng)用技術(shù)和信號處理技術(shù)在我國的普及,，越來越多的國內(nèi)單位和機構(gòu)具備了語音研究的成熟條件,。而就在此時，外國的語音識別研究取得了較大的突破性進展,，語音識別成為科技浪潮的前沿,，得到了迅猛的發(fā)展，這推動了包括中科院聲學所,、中科院自動化所、清華大學,、中國科技大學,、哈爾濱工業(yè)大學、上海交通大學,、西北工業(yè)大學,、廈門大學等許多國內(nèi)科研機構(gòu)和高等院校投身到語音識別的相關(guān)研究當中。大多數(shù)的研究者將研究重點聚焦在語音識別基礎(chǔ)理論研究和模型,、算法的研究改進上,。1986年3月，我國的"863"計劃正式啟動,。"863"計劃即國家高技術(shù)研究發(fā)展計劃,，是我國的一項高科技發(fā)展計劃,。作為計算機系統(tǒng)和智能科學領(lǐng)域的一個重要分支。語音識別在該計劃中被列為一個專項研究課題,。隨后,，我國展開了系統(tǒng)性的針對語音識別技術(shù)的研究。因此,，對于我國國內(nèi)的語音識別行業(yè)來說,，"863"計劃是一個里程碑，它標志著我國的語音識別技術(shù)進入了一個嶄新的發(fā)展階段,。但是由于研究起步晚,、基礎(chǔ)薄弱、硬件條件和計算能力有限,。主流語音識別框架還是由 3 個部分組成：聲學模型,、語言模型和解碼器，有些框架也包括前端處理和后處理,。廣州移動語音識別服務(wù)標準
遠場語音識別已經(jīng)隨著智能音箱的興起成為全球消費電子領(lǐng)域應(yīng)用為成功的技術(shù)之一,。山東語音識別設(shè)置
美國**部下屬的一個名為美國**高級研究計劃局(DefenseAdvancedResearchProjectsAgency，DARPA)的行政機構(gòu),，在20世紀70年代介入語音領(lǐng)域,，開始資助一項旨在支持語言理解系統(tǒng)的研究開發(fā)工作的10年戰(zhàn)略計劃。在該計劃推動下,，誕生了一系列不錯的研究成果,，如卡耐基梅隆大學推出了Harpy系統(tǒng)，其能識別1000多個單詞且有不錯的識別率,。第二階段：統(tǒng)計模型(GMM-HMM)到了20世紀80年代,，更多的研究人員開始從對孤立詞識別系統(tǒng)的研究轉(zhuǎn)向?qū)Υ笤~匯量連續(xù)語音識別系統(tǒng)的研究，并且大量的連續(xù)語音識別算法應(yīng)運而生,，例如分層構(gòu)造(LevelBuilding)算法等,。同時，20世紀80年代的語音識別研究相較于20世紀70年代,，另一個變化是基于統(tǒng)計模型的技術(shù)逐漸替代了基于模板匹配的技術(shù),。統(tǒng)計模型兩項很重要的成果是聲學模型和語言模型，語言模型以n元語言模型(n-gram),，聲學模型以HMM,。HMM的理論基礎(chǔ)在1970年前后由Baum等人建立，隨后由卡耐基梅隆大學(CMU)的Baker和IBM的Jelinek等人應(yīng)用到語音識別中,。在20世紀80年代中期,，Bell實驗室的.Rabiner等人對HMM進行了深入淺出的介紹。并出版了語音識別專著FundamentalsofSpeechRecognition,，有力地推動了HMM在語音識別中的應(yīng)用,。山東語音識別設(shè)置