什么是自动语音识别?

在人工智能发展和全球疫情的双重作用下,企业加强了与客户的线上沟通。企业越发依赖于虚拟助手、聊天机器人以及其他的语音技术,以实现与客户的高效互动。这几类人工智能,都是依赖于自动语音识别技术,简称为ASR。ASR涉及到将语音转换为文本,促使计算机理解人类语言并与人类对话。 ASR的使用量正在与日俱增。在Deepgram与Opus Research合作进行的一项最新调查中,向来自北美洲多个行业的400名决策者调查了其公司的ASR使用情况。99%的调查对象表示,他们都有在使用ASR,主要以手机应用中的语音助手为主,这说明了这项技术的重要性。随着ASR技术的不断发展,ASR逐渐受到企业的青睐,它可以提高企业在虚拟环境中的客户服务质量。请详细阅读文章,了解更多关于ASR的信息,比如ASR工作原理、ASR最佳用例以及在部署人工智能ASR模型时如何克服常见的挑战等。  

自动语音识别

自动语音识别的工作原理 过去几十年里,由于强大的人工智能和机器学习算法,ASR的发展速度迅猛。如今,大多ASR程序仍使用定向对话,但一些优化版本已开始利用自然语言处理技术,这是人工智能的子领域。 定向对话ASR 当您打电话给银行时,您可能体验过定向对话。如果是一些大型银行,您通常需要先与计算机互动,然后才联系到相应的人员。计算机可能会要求您简单地回答“是”或“否”来确认身份,或直接读出您的卡号。无论是哪一种情况,您都是通过直接对话式ASR来互动。这些ASR程序只限于简短的口头回答,因此词汇量有限。这些ASR程序适用于简单的客户互动,无法胜任复杂的沟通。

基于自然语言处理的ASR

如上所述,NLP是人工智能的一个子领域。NLP是指一种教会计算机理解人类语音或自然语言的方法。在下文中,我们使用了通俗易懂的语言,简要介绍了基于NLP语音识别程序的工作原理:

  1. 您向ASR程序说出一个指令,或提出一个问题。
  2. 该程序将您的语音转换为频谱图,这是机器可读的音频文件。
  3. 一个声学模型通过消除任何背景噪声(例如,狗叫声或静电)来清理您的音频文件。
  4. 算法将清理后的音频文件分解成音素。音素是声音的基本组成部分。例如,在英语中,“ch”和“t”是音素。
  5. 算法分析音素的序列,并使用统计概率来确定序列中的单词和句子。
  6. NLP模型可以将语境应用到句子中,例如,确定您说的是“write”还是“right”。
  7. 一旦ASR程序理解了您说的内容,ASR程序就可以给予您合理的答复,并通过“文本-语音”转换技术来回复您。

虽然根据所使用的算法类型,上述流程会发生变化,但这并不妨碍我们理解ASR程序的工作原理。基于NLP的ASR没有限制,并且能够模拟真实对话,是迄今为止最先进的版本。例如,一个基于NLP的ASR系统的典型词库可以涵盖6万多个单词。评估ASR有两个维度,即单词错误率和响应速度;在理想条件下,ASR系统在理解人类语音方面可以达到接近99%的准确率。但是,大多数情况都不满足理想条件。 数据科学家针对关于如何教会ASR程序理解人类语音这个主题,持续开展实验。数据科学家正在探索其他可以与完全监督学习互补的方法,这需要收集每个可能会出现的语言例子来训练人工智能,并应用主动学习等技术。与程序互动的人越多,程序自主学习能力就越强。您可以想象到,这无疑节省了研究人员的大量时间。  

自动语音识别的应用

基本上,ASR应用适用于各行各业。到目前为止,已有很多客户采用了ASR技术,以优化客户体验。以下是几个突出的应用: 语音虚拟助手:受欢迎的虚拟助手有很多:谷歌助理、苹果的Siri、亚马逊Alexa和微软的Cortana。这些应用提高了获取信息的速度和效率,在我们日常生活中随处可见。未来,虚拟助手市场仍会蓬勃发展。 转录和听写:许多行业都需要语音转录服务。借助这类应用,可以转录公司会议、销售部门的客户电话、政府调查采访,甚至是记录病人的治疗过程。 教育:ASR提供了非常有用的教育工具。例如,帮助人们学习第二语言的应用。 车载信息娱乐系统:在汽车行业中,ASR被广泛应用,以优化车内体验。最新的汽车型号具有识别语音命令功能,例如驾驶员可以发出指令“将温度调高两度”。这些系统旨在将车内环境的管理工作自动化,无需驾驶员腾出方向盘上的手来完成,从而提高安全性。 安全:ASR可以识别关于“进入某些区域”的语音,提高安全性。 无障碍:ASR还是一个可以推进无障碍性的工具,未来发展前景广阔。例如,不懂或无法使用技术的人可以在智能手机上发出语音指令;例如,“打电话给Jane”。 上述多个应用适用于各个行业,并且操作过程简单。由此可知,近年来ASR技术市场的呈指数级增长,实属正常现象。  

如何克服自动语音识别中的挑战

在上文我们提到ASR工作的现场环境大多不符合理想条件,会对技术的精确度产生负面影响。破坏理想条件的常见因素有很多,为实施ASR的团队带来了挑战。幸运的是,您可以采取一些方法来克服这些挑战。

ASR挑战

导致ASR领域出现挑战的几个常见因素:

噪声数据

通常,噪声数据是无意义的数据。但在ASR背景下,噪声数据也有字面意义。在理想环境中,音频文件里语音清晰且没有背景噪声,但现实往往并非如此。音频数据中可能会包含一些无关的噪声,例如有人在背景中咳嗽,有其他人在主扬声器上说话,有建筑噪声,甚至是静电。一个高质量的ASR系统能够提取出有用的音频数据,并消除无意义的数据。

发言者差异性

ASR系统经常需要理解性别、地区、背景各不相同的人的语音。以下是人类语音出现差异的多个方面: –      语言 –      方言 –      口音 –      音高 –      音量 –      语速 若想让ASR系统为所有终端用户提供一致卓越的体验,ASR系统需要能够理解和解释多种不同的语音。

硬件设施质量低

大多公司都缺乏高质量的录音设备,从而导致音频文件中出现上文提到的噪声数据。

同音字和语境障碍

仅仅是英语一门语言,就存在多个同音词,即发音相同但含义不同的词。ASR系统需要依靠一个高度准确的NLP算法来运行,以根据语境来解释每位发言者的说话内容。

单词之间缺少界限

我们在写字或打字时,会使用空格、标点符号等来分开每个单词和句子。但如果是在说话,单词和句子就会连成一串。在这样的情况下,ASR程序无法将一连串语音分成独立片段。

通往成功的道路

幸运的是,通过个性化的数据采集和标注项目,我们可以解决部分挑战。您可以采集,甚至有机会创建语音数据集,这个数据集更能代表客户的语音差异情况,提高客户服务质量。您可以选择自己解决问题,也可以选择和拥有ASR经验的第三方数据供应商合作,充分利用其专业知识和工具。合适的数据合作伙伴可以为您提供特定用例所需的数据,以及与您ASR应用兼容的数据平台,助力您快速启动项目。 目前,很多数据供应商都能提供用于语音识别的成品数据集,但这还不够,他们应该还能根据多元化的发言者群体,满足您独特的数据需求。此外,数据供应商还可以提供工具,帮助您克服上文中提到的挑战。选择合适的合作伙伴对ASR计划的成功起着决定作用。  

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/59681.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

LLM推理部署(一):LLM七种推理服务框架总结

自从ChatGPT发布以来,国内外的开源大模型如雨后春笋般成长,但是对于很多企业和个人从头训练预训练模型不太现实,即使微调开源大模型也捉襟见肘,那么直接部署这些开源大模型服务于企业业务将会有很大的前景,本文将介绍七…

Effective C++条款16——成对使用new和delete时要采取相同形式(资源管理)

以下动作有什么错? std::string* stringArray new std::string[100]; // ... delete stringArray;每件事看起来都井然有序。使用了new,也搭配了对应的 delete。但还是有某样东西完全错误:你的程序行为不明确(未有定义)。最低限度&#xff…

PHP竞赛管理系统Dreamweaver开发mysql数据库web结构php编程计算机网页

一、源码特点 PHP 竞赛管理系统是一套完善的web设计系统,对理解php编程开发语言有帮助,系统具有完整的源代码和数据库,系统主要采用B/S模式开发。 下载地址 https://download.csdn.net/download/qq_41221322/88244066 二、功能介绍 后…

C#_特性反射详解

特性是什么? 为程序元素额外添加声明信息的一种方式。 字面理解:相当于把额外信息写在干胶标签上,然后将其贴在程序集上。 反射是什么? 反射是一种能力,运行时获取程序集中的元数据。 字面理解:程序运行…

一键实现 Oracle 数据整库同步至 Apache Doris

在实时数据仓库建设或迁移的过程中,用户必须考虑如何高效便捷将关系数据库数据同步到实时数仓中来,Apache Doris 用户也面临这样的挑战。而对于从 Oracle 到 Doris 的数据同步,通常会用到以下两种常见的同步方式: OGG/XStream/Lo…

设计模式-桥接模式

核心思想 适配器模式类似,以后也会遇到意思接近一样的设计模式。在开发中一般多个模式混用,且根据不同的场景进行搭配,桥接模式也是结构型模式将抽象的部分和实现的部分分离,使它们都可以独立的变化。通俗来说,就是通…

Linux特殊指令

目录 1.dd命令 2.mkfs格式化 3.df命令 4.mount实现硬盘的挂载 5.unshare 1.dd命令 dd命令可以用来读取转换并输出数据。 示例一: if表示infile,of表示outfile。这里的/dev/zero是一个特殊文件,会不断产生空白数据。 bs表示复制一块的大…

vscode 对模型train、detect脚本进行Debug时配置参数

我们训练yolov5代码时,一般会配置一些参数,比如模型权重文件--weights, 模型的配置文件--cfg, 以及训练的数据--data, 对应的训练脚本为: 训练train python train.py -- weights ./yolov5s.pt --cfg models\yolov5s.yaml --data ./data/coco128.yaml…

9.oracle中sign函数

在Oracle/PLSQL中, sign 函数返回一个数字的正负标志. 语法如下&#xff1a;sign( number ) number 要测试标志的数字. If number < 0, then sign returns -1. If number 0, then sign returns 0. If number > 0, then sign returns 1. 应用于: Oracle 8i, Oracle …

Docker - Docker安装MySql并启动

因为项目需要连接数据库&#xff0c;但是远程服务器上的mysql我不知道账户和密码&#xff0c;这个时候便是docker发挥作用的关键时刻了&#xff01; 目录 docker安装安装gcc卸载老docker&#xff08;如有&#xff09;安装软件包设置镜像仓库更新yum软件包索引安装docker启动doc…

SSM框架的学习与应用(Spring + Spring MVC + MyBatis)-Java EE企业级应用开发学习记录(第五天)MyBatis的注解开发

SSM框架的学习与应用(Spring Spring MVC MyBatis)-Java EE企业级应用开发学习记录&#xff08;第五天&#xff09;MyBatis的注解开发 ​ 昨天我们深入学习了MyBatis多表之间的关联映射&#xff0c;了解掌握了一对一关联映射&#xff0c;一对多关联映射&#xff0c;嵌套查询方…

微信小程序如何实现页面传参和页面传递多个参数

前言 只要你的小程序超过一个页面那么可能会需要涉及到页面参数的传递&#xff0c;下面我总结了 4 种页面方法。 下面时多个参数页面传参的方式 let loveJSON.stringify(this.data.totle);let youJSON.stringify(this.data.totleId)let csdnJSON.stringify(this.data.totleP…

Linux系统下vim常用命令

一、基础命令&#xff1a; v:可视模式 i:插入模式 esc:命令模式下 :q &#xff1a;退出 :wq &#xff1a;保存并退出 ZZ&#xff1a;保存并退出 :q! &#xff1a;不保存并强制退出二、在Esc下&#xff1a; dd : 删除当前行 yy:复制当前行 p:复制已粘贴的文本 u:撤销上一步 U:…

ELK日志收集系统

目录 一、概述 二、组件 一、logstash 一、工作过程 二、INPUT 三、FILETER 四、OUTPUTS 二、elasticsearch 三、kibana 三、架构类型 一、ELK 二、ELKK 三、ELFK 四、ELFKK 五、EFK 四、配置ELK日志收集系统集群实验的步骤文档 五、配置ELK日志收集系统集群 …

图像二值化

目录 1.固定值二值化 2.自适应阈值二值化 3.Android JNI完整代码 1.固定值二值化 固定阈值二值化是OpenCV中一种简单而常用的图像处理技术&#xff0c;用于将图像转换为二值图像。在固定阈值二值化中&#xff0c;像素值根据一个预定义的阈值进行分类&#xff0c;大于阈值的…

【JavaEE】Spring事务-@Transactional参数介绍-事务的隔离级别以及传播机制

【JavaEE】Spring 事务&#xff08;2&#xff09; 文章目录 【JavaEE】Spring 事务&#xff08;2&#xff09;1. Transactional 参数介绍1.1 value 和 transactionManager1.2 timeout1.3 readOnly1.4 后面四个1.5 isolation 与 propagation 2. Spring 事务隔离级别 - isolation…

利用torchvision库实现目标检测与语义分割

一、介绍 利用torchvision库实现目标检测与语义分割。 二、代码 1、目标检测 from PIL import Image import matplotlib.pyplot as plt import torchvision.transforms as T import torchvision import numpy as np import cv2 import randomCOCO_INSTANCE_CATEGORY_NAMES …

SQL server数据库-定制查询-指定查询列/行、结果排序和Like模糊查询

本篇讲述进阶查询方法&#xff0c;如有语句不明确&#xff0c;可跳转本文专栏学习基础语法 1、指定列查询 特点 只会显示你输入的列的数据&#xff0c;会根据你输入的顺序进行显示&#xff0c;可以自定义查询显示时的列名 &#xff08;1&#xff09;只会显示你输入的列的数…

C++ 面试题(一)--C++基础,面向对象,内存管理

目录 1.part1 C基础 1 C特点 2 说说C语言和C的区别 3 说说 C中 struct 和 class 的区别 4 include头文件的顺序以及双引号""和尖括号<>的区别 5 说说C结构体和C结构体的区别 6 导入C函数的关键字是什么&#xff0c;C编译时和C有什么不同&#xff1f; 7…

系统架构设计高级技能 · 云原生架构设计理论与实践

系列文章目录 系统架构设计高级技能 软件架构概念、架构风格、ABSD、架构复用、DSSA&#xff08;一&#xff09;【系统架构设计师】 系统架构设计高级技能 系统质量属性与架构评估&#xff08;二&#xff09;【系统架构设计师】 系统架构设计高级技能 软件可靠性分析与设计…