芝麻开门！

你的童年是否也曾这样对着大门发出命令？

当然，大门用静止表示对你的“忽略”。
乐此不疲的孩子还是会时时时对着门喊上几句，我们的潜意识是希望得到门有所回应，比如：门开了。

命令失落效的缘故原由是什么？由于大门本身不具备听到声音的能力，如果我们能让大门可以听到你说的话、发出的命令，进一步才可以启动语义和实行系统掌握它的开关。

这就引申到本次重点先容的技能——语音识别。
本次干货分享由语音识别产品经理：@ 焦糖玛奇朵 进行供应。
希望能为大家打开语音识别的大门。

语音识别是一项将人类的声音旗子暗记转化为笔墨的过程。
本文将从产品的角度对业界的语音识别产品进行归类息争释。
不同的产品类型具有不同的算法或者接口特性，对应不同的需求场景。

1、封闭域识别：

识别范围为预先指定的字/词凑集，即算法只在开拓者预先设定的封闭域识别词的凑集内进行语音识别，对范围之外的语音会进行拒识。
因此，可以将其声学模型和措辞模型进行裁剪，使得识别引擎的运算量也较小。
并且可将引擎封到嵌入式芯片或者本地化的SDK中，从而使识别过程完备分开云端，摆脱对网络的依赖，并且不会影响识别率。
业界厂商供应的引擎支配办法包括云端和本地化（如：芯片，模块和纯软件SDK）。

产品类型：命令字/词识别，语音唤醒，语法识别

产品形态：流式传输-同步获取

范例的运用处景：不涉及到多轮交互和多种语义说法的场景，如大略指令交互的智能家居和电视盒子，语音掌握指令一样平常只有：“打开窗帘”，“打开中心台”等，但是一旦涉及到程序猿大大们在后台配置识别词凑集之外的命令，如“给

2、开放域识别：

无需预先指定识别词凑集，算法将在全体措辞大凑集范围中进行识别。
为适应此类场景，声学模型和语音模型一样平常都比较大，引擎运算量也较大。
将其封装到嵌入式芯片或者本地化的SDK中，耗能较高并且影响识别效果。
业界厂商基本上都以云端形式供应，云端包括公有云形式和私有云形式。
本地化形式只有带做事器级别打算能力的嵌入式系统，如会议字幕系统。

产品类型按照说话风格的特点，分为：

（1）语音听写：语音时长较短（<1min），一样平常情形下均为一句话。
演习语料为朗读风格，语速较为均匀。
一样平常为人机对话场景，录音质量较好。

按照音频录入和结果获取办法定义产品形态：

(a)流式上传-同步获取，运用/软件会对说话人的语音进行自动录制并将其连续上传至云端，说话人在说完话的同时能实时地看到返回的笔墨。
语音云做事厂商的产品接口中会供应音频录制接口和格式编码算法，供客户端进行边录制边上传，并与云端建立长连接，同步监听并获取识别结果。

(b)已录制音频文件上传-同步获取，用户需自行预先录制好规定格式的音频，并利用语音云做事厂商供应的接口进行音频上传，客户端与云真个连接和结果获取办法与上述音频流类似。

范例运用处景：运用发展已经比较成熟：紧张在输入场景，如输入法；与麦克风阵列和语义结合的人机交互场景，如具备更自然交互形态的智能音响，如“叮咚叮咚，转发

（2）语音转写：语音时长一样平常较长（五小时内），句子较多。
演习语料为交谈风格，即说话人说话无组织性比较强，因此语速较不平均，吞字&连字征象较多。
录音大多为远场或带噪的。

除了模型不同之外，按照音频录入和结果获取办法定义产品形态：

(a)音频流转写：流式上传-同步获取，与上述语音听写类似，唯一不同的是，识别的时长不会有一句话的限定。

(b)非实时已录制音频转写：已录制音频文件上传-异步获取，用户需自行调用软件接口或者是硬件平台预先录制好规定格式的音频，并利用语音云做事厂商供应的接口进行音频上传，上传完成之后便可以断掉连接。
用户通过轮询语音云做事器或者利用回调接口进行结果获取。

由于长语音的打算量较大，打算韶光较长，因此采纳异步获取的办法可以避免由于网络问题带来的结果丢失。
也由于语音转写系统常日是非实时处理的，这种工程形态也给了识别算法更多的韶光进行多遍解码。
而永劫的语料，也给了算法利用更永劫的信息进行是非期影象网络建模。
在同样的输入音频下，此类型产品形态捐躯了一部分实时率，花费了更高的资源花费，但是却可以得到最高的识别率。
在韶光许可的利用场景下，非实时已录制音频转写无疑是最推举的产品形态！

范例运用处景：如字幕配置，客服语音质检，UGC语音内容审查

1、离线VS在线

在讯飞开放平台的产品定义和较多的客户认知中，离/在线的差异在于识别过程是否须要通过云端要求，即识别引擎是在云端还是本地。
而云打算中的离/在线产品的引擎都处在云端，差异在于在打算过程中，客户端是否须要与云端进行实时数据交互，即上述所述的音频流和非实时已录制音频转写。
两者的定义有冲突，因此并不建议利用离/在线观点进行干系产品定义。

2、8K VS 16Khz采样率语音模型

在浩瀚语音云做事厂商中，会根据音频采样率进行分类，从而演习出更适宜各种采样率的语音模型，最范例的为8K和16K模型。
原始音频信息保留越多越有利于识别率的提升，因此，16K音频采取16K语音模型，其识别率会普遍高于8K音频采取8K模型。

3、语音识别VS语义识别

语音识别是语义识别的条件根本。
语音识别将声音转化成笔墨，语义识别提取笔墨中的干系信息和相应意图，通过实行模块进行相应的问题回答或者反馈动作。

结语（栗子结合了一小丢丢语义）：

末了举一个栗子作为扫尾：“叮咚叮咚，给

听起来好绕呀，是不是以为还是自己手动点个赞大略粗暴省事得多了呢？然而，统统当代人类做起来自然而然&绝不费力的动作，却都是建构在经由了亿万年的学习进化，兆亿次闭环重复练习的智人基因！
而任何的人工智能技能也是须要一个巨量的数据演习和一定的演化周期。
并且在所有的科技发展进程中，率先取得打破并且在运用领域产品成熟化每每都是在封闭域，亦如现在正处封闭域产品化的语义识别（如：AIUI，echo等），而语音识别的产品成熟化已经走过了封闭域到达了开放域，正在向各行各业运送人工智能的力量！

附图：语音识别产品种别图