ASR 使机器能够接收、识别和理解人类的话语

人工语音识别（ASR）是一种机器学习模型，它能将语音翻译成文本，也能识别并理解人类语言。

图片由https://www.hindipanda.com/speech-recognition-technology/提供

总览

1. 口语
2. 应用
3. 挑战
4. 历史
5. 模型
6. HMM （隐马尔可夫模型）

口语

说！每个人都通过说话与其他人交流。我们用带有特定声波的声音交谈、彼此了解。在声波中，它不显示特定的单词。模型（计算机）如何理解我们？我们可以通过使用 CNN（卷积神经网络）来识别图像，因此我们使用 ASR（自动语音识别）或“语言模型”来识别甚至理解人类语言。

交流——图片来自https://medium.com/@raihamalik/effective-communication-5321d663ee5a

高科技和口头说明

我们通过键盘输入来访问技术或社交媒体，使用我们的“声音”来指导计算机或高科技设备，我们的日常生活将变得更加轻松、方便和直观。因此，人工智能在各种应用中得到广泛应用，并在众多设备和服务中得到改进和实现。

应用

ASR在日常生活中有各种各样的应用，比如最流行的虚拟助手。

虚拟助手， 例如 Google Assistance 、 Siri 和 Amazon Alexa 。

虚拟助手

谷歌助手

语言学习

语言学习

机器人

机器人

家庭自动化

家庭自动化

医学转录

医学转录

挑战

1. 麦克风距离
   用户使用麦克风的距离不同，每个应用程序都需要自己的处理过程。
   1.1 近场——官方录音和复制
   1.2 中场——普通在线会议（演讲者坐在电脑前）
   1.3 远场——大型研讨会，放置在大厅内的各种麦克风距离。

2. 语音压缩
   有损：通过删除数据来 减小 文件大小
   无损：在不丢失细节的情况下进行压缩

图片来自https://www.bbc.co.uk/bitesize/guides/zqyrq6f/revision/4

1. 交互类型

历史

模型

HMM（隐马尔可夫模型）

基于先前状态或条件的概率假设。

隐马尔可夫模型

隐马尔可夫模型是马尔可夫模型的一类，用于具有生成某些观察事件的隐状态的系统。这意味着有时，人工智能可以对世界进行一些测量，但无法获得世界的精确状态。在这些情况下，世界的状态被称为* 隐藏状态 ，人工智能可以访问的任何数据都是 观察 *。这里有几个例子：

对于探索未知领域的机器人，隐藏状态是它的定位，观察是机器人传感器记录的数据。

在语音识别中，隐藏状态是说的话，观察是音频波形。

在衡量用户在网站上的参与度时，隐藏状态是用户的参与度，观察是网站或应用程序分析。

对于我们的讨论，我们将使用以下示例。我们的 AI 想要推断天气（隐藏状态），但它只能使用室内摄像头来记录有多少人随身携带雨伞。这是我们的* 传感器模型 （也称为 发射模型 *），表示这些概率：

代码由https://cs50.harvard.edu/ai/2020/weeks/2/ 提供

from pomegranate import *

# Observation model for each state
sun = DiscreteDistribution({
    "umbrella": 0.2,
    "no umbrella": 0.8
})

rain = DiscreteDistribution({
    "umbrella": 0.9,
    "no umbrella": 0.1
})

states = [sun, rain]

# Transition model
transitions = numpy.array(
    [[0.8, 0.2], # Tomorrow's predictions if today = sun
     [0.3, 0.7]] # Tomorrow's predictions if today = rain
)

# Starting probabilities
starts = numpy.array([0.5, 0.5])

# Create the model
model = HiddenMarkovModel.from_matrix(
    transitions, states, starts,
    state_names=["sun", "rain"]
)
model.bake()

原文作者 Prim
原文链接 https://medium.com/super-ai-engineer/artificial-speech-recognition-aa8388d1b7f3