在我们的生活中，语言是传递信息最重要的方式，它需要让人们之间相互理解。人和机器之间的交互也是完全相同的道理，让机器人告诉人类要做到什么、怎么做。

交互的方式有动作、文本或语音等等，其中语音交互更加被推崇，因为随着互联网上智能硬件的普及，产生了各种互联网的入口方式，而语音是最简单、最必要的交互方式，是最标准化的输出模式。在1952年，贝尔研究所研制了世界上第一个能辨识10个英文数字发音的系统。

1960年英国的Denes等人研制了世界上第一个语音辨识（ASR）系统。大规模的语音辨识研究始自70年代，并在单个词的辨识方面获得了实质性的进展。上世纪80年代以后，语音辨识研究的重点渐渐改向更加标准化的大词汇量、非特定人的倒数语音辨识。

90年代以来，语音辨识的研究仍然没过于大变革。但是，在语音辨识技术的应用于及产品化方面获得了较小的进展。自2009年以来，归功于深度自学研究的突破以及大量语音数据的累积，语音辨识技术获得了突飞猛进的发展。

深度自学研究用于实训练的多层神经网络，提升了声学模型的准确率。微软公司的研究人员首度获得了突破性进展，他们用于深层神经网络模型后，语音辨识错误率减少了三分之一，沦为近20年来语音辨识技术方面最慢的变革。

另外，随着手机等移动终端的普及，多个渠道累积了大量的文本语料或语音语料，这为模型训练获取了基础，使得建构标准化的大规模语言模型和声学模型沦为有可能。在语音辨识中，非常丰富的样本数据是推展系统性能较慢提高的最重要前提，但是语料的标示必须长年的累积和溶解，大规模语料资源的累积必须被提升到战略高度。

今天，语音辨识在移动末端和音箱的应用于上尤为火热，语音聊天机器人、语音助手等软件层出不穷。许多人首度认识语音辨识有可能得益于苹果手机的语音助手Siri。

Siri技术源于美国国防部高级研究规划局（DARPA）的CALO计划：想法是一个让军方修改处置艰巨简单的事务，并不具备理解能力展开自学、的组织的数字助理，其民用版即为Siri虚拟世界个人助理。Siri公司正式成立于2007年，最初是以文字聊天服务居多，之后与大名鼎鼎的语音辨识厂商Nuance合作构建了语音辨识功能。2010年，Siri被苹果并购。

2011年苹果将该技术随同iPhone4S公布，之后对Siri的功能仍在大大提高完备。现在，Siri沦为苹果iPhone上的一项语音掌控功能，可以让手机逆身兼一台智能化机器人。通过自然语言的语音输入，可以调用各种APP，如天气预报、地图导航系统、资料检索等，还需要通过大大自学提高性能，获取对话式的接收者服务。

语音辨识（ASR）原理语音辨识技术是让机器通过辨识把语音信号改变为文本，进而通过解读改变为指令的技术。目的就是给机器彰显人的听力特性，听不懂人说什么，并做出适当的不道德。语音识别系统一般来说由声学辨识模型和语言解读模型两部分构成，分别对应语音到音节和音节到字的计算出来。

一个倒数语音识别系统（如下图）大体包括了四个主要部分：特征提取、声学模型、语言模型和解码器等。（1）语音输入的预处理模块对输出的完整语音信号展开处置，滤杀掉其中的不最重要信息以及背景噪声，并展开语音信号的端点检测（也就是找到语音信号的始末）、语音分帧（可以近似于解读为，一段语音就看起来一段视频，由许多帧的有序画面包含，可以将语音信号切割成为单个的“画面”展开分析）等处置。

（2）特征提取在除去语音信号中对于语音辨识多余的校验信息后，保有需要体现语音本质特征的信息展开处置，后用一定的形式回应出来。也就是萃取出有体现语音信号特征的关键特征参数构成特征矢量序列，以便用作先前处置。（3）声学模型训练声学模型可以解读为是对声音的建模，需要把语音输入转换成声学回应的输入，精确的说道，是得出语音归属于某个声学符号的概率。根据训练语音库的特征参数训练出有声学模型参数。

在辨识时可以将待辨识的语音的特征参数与声学模型展开给定，获得辨识结果。目前的主流语音识别系统多使用隐马尔可夫模型HMM展开声学模型建模。（4）语言模型训练语言模型是用来计算出来一个句子经常出现概率的模型，非常简单地说道，就是计算出来一个句子在语法上否准确的概率。因为句子的结构往往是规律的，前面经常出现的词常常伴随了后方有可能经常出现的词语。

它主要用作要求哪个词序列的可能性更大，或者在经常出现了几个词的时候预测下一个将要经常出现的词语。它定义了哪些词能跟在上一个早已辨识的词的后面（给定是一个顺序的处理过程），这样就可以为给定过程回避一些不有可能的单词。语言建模需要有效地的融合汉语语法和语义的科学知识，叙述词之间的内在关系，从而提升识别率，增加搜寻范围。

对训练文本数据库展开语法、语义分析，经过基于统计资料模型训练获得语言模型。（5）语音解码和搜索算法解码器是指语音技术中的辨识过程。针对输出的语音信号，根据己经训练好的HMM声学模型、语言模型及字典创建一个辨识网络，根据搜索算法在该网络中找寻最佳的一条路径，这个路径就是需要以仅次于概率输入该语音信号的词串，这样就确认这个语音样本所包括的文字了。所以，解码操作者即指搜索算法，即在解码末端通过搜寻技术找寻拟合词串的方法。

倒数语音辨识中的搜寻，就是找寻一个词模型序列以叙述输出语音信号，从而获得词解码序列。搜寻所依据的是对公式中的声学模型评分和语言模型评分。

在实际用于中，往往要依据经验给语言模型再加一个低权重，并设置一个宽词惩罚分数。语音辨识本质上是一种模式识别的过程，不得而知语音的模式与未知语音的参照模式一一展开较为，最佳给定的参照模式被作为辨识结果。当今语音辨识技术的主流算法，主要有基于动态时间规整（DTW）算法、基于非参数模型的矢量分析（VQ）方法、基于参数模型的隐马尔可夫模型（HMM）的方法、以及近年来基于深度自学和反对向量机等语音识别方法。车站在巨人的肩膀上：开源框架目前开源世界里获取了多种不同的语音辨识工具包，为开发者建构应用于获取了相当大协助。

但这些工具各有好坏，必须根据具体情况自由选择用于。下表为目前比较风行的工具包间的对比，大多基于传统的HMM和N－Gram语言模型的开源工具包。对于普通用户而言，大多数人都会告诉Siri或Cortana这样的产品。

而对于研发工程师来说，更加灵活性、极具专心性的解决方案更加合乎市场需求，很多公司都会研发自己的语音辨识工具。（1）CMUSphinix是卡内基梅隆大学的研究成果。有数20年历史了，在Github和SourceForge上都早已开源了，而且两个平台上都有较高的活跃度。（2）Kaldi从2009年的研讨会起就有它的学术根基了，现在早已在GitHub上开源，研发活跃度较高。

（3）HTK始自剑桥大学，早已商用较长时间，但是现在版权早已仍然开源软件了。

本文来源：全民购彩大厅首页-www.garden-of-lily.com