人工智能技术中，语音识别与图像识别最先实现商业化。不过，照目前情况看来，不管是语音识别还是图像识别，C端似乎都是其商业化进程中难以触碰的一个点。 就在昨天，谷歌的社交软件Allo被爆出将在本周上线，值
继推出维吾尔语、粤语识别，近期，捷通华声联合中国民族语文翻译局，推出藏、彝、蒙、朝鲜语语音识别技术，为藏族、彝族、蒙古族、朝鲜族同胞的日常办公、沟通交流提供语音识别服务。 民族语言识别 为企事业单位办公、民众交流提供便利 灵云语音识别技术，已广泛应用于国内的企事业单位会议、公检法、医疗等领域。 通过应用灵云藏、彝、蒙、朝鲜语语音识别技术，少数民族企事业单位可以应用语音识别技术，识别日常工作会议发言，快速生成会议记录;地区公安、检察、法院等政法机构可以应用语音识别来转写办案过程中的讯问发言，快速生成办案笔录;
常会遇到有些 PDF 是扫描版的无法复制（豆丁网上的），有些网页（极客时间）也限制了复制功能。这时候要复制，通常情况下只能手动去打，很浪费时间对吧。当然也可以使用一些 OCR 识别软件，但要么付费要体积很大，不方便。
昨日，百度语音能力引擎论坛在北京召开。在论坛上，百度展示了其在语音技术上的最新成果，并公开了语音专用终端芯片——百度鸿鹄的落地情况。此外，机器之心也采访了百度语音首席架构师贾磊。百度通过本次发布说明，深度学习端到端技术依然大有发展空间，软件驱动专用芯片设计成 AI 落地新打法。
前言：本文作者@焦糖玛奇朵，是我们“AI产品经理大本营”早期成员，下面是她分享的第1篇文章，欢迎更多有兴趣“主动输出”的朋友们一起加入、共同进步：） 📷 音频由公众号“闪电配音”提供 媒体和AI巨头们乐于给大众描绘一幅幅精彩的未来生活蓝图：人工智能可以化身为你的爱车，在沙漠、森林或小巷中风驰电掣；可以是智慧公正的交警，控制红绿灯、缓解交通的拥挤；还可以是给人以贴心照顾的小助理，熟悉你生活中的每一处小怪癖。 在看到这些美妙的畅想之后，作为一个严谨认真的AI产品经理，我不禁想去探索上述美好未来的实现路径；今天，
最近有个新闻说一个人毫无绘画能力靠AI作图，获得艺术比赛第一名，没想到现在AI 这么厉害了，今天分享几个AI 黑科技工具，在公众号后台回复 黑科技 获取软件地址。
语音识别技术，也被称为自动语音识别Automatic Speech Recognition，(ASR)，其目标是将人类的语音中的词汇内容转换为计算机可读的输入。语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高技术。 语音识别技术主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。语音识别技术车联网也得到了充分的引用，例如在翼卡车联网中，只需按一键通客服人员口述即可设置目的地直接导航，安全、便捷。
提取视频文件中的图像然后使用OCR技术识别静态图像中的文本，提取视频文件中的音频然后使用语音识别技术提取其中的文本，如果视频文本或音频文本中包含指定的关键词则进行提示。
是磁带、光盘、录音笔、手机等录音工具，还是会议、访谈、沟通、演唱等场景？是键指如飞的神奇速录师，还是方便快捷的语音转文字AI小工具？
AI 科技评论按：语音到文字的转换是语音研究领域的重要课题。自引入神经网络的方法以来，语音识别正确率有了长足的进展，也为苹果 Siri、亚马逊 Echo、科大讯飞语音输入法等等实际产品提供了生长的土壤。面对算法识别总还是比人类要差一些的现状，微软刚刚发布一篇博文公布了自己的最新成果，达到人类水平已经不是梦想。AI 科技评论编译如下。 2016年，微软语音和对话研究团队对外公布了一则里程碑性的消息，他们在 Switchboard 数据库的对话语音识别任务中达到了人类的一致性水平，这意味着他们的系统识别对话中文
为了抗击新冠肺炎病毒疫情，腾讯云AI即日起免费为战疫开发者提供人脸识别、文字识别、语音识别、语音合成、机器翻译、腾讯智能对话平台TBP等服务，直至疫情结束。所有为政府部门、医疗机构等开发疫情服务，以及提供远程办公、教学等服务的开发者和服务商，都可以免费或以一定优惠额度享受服务。
语音识别源于 20 世纪 50 年代早期在贝尔实验室所做的研究。早期语音识别系统仅能识别单个讲话者以及只有约十几个单词的词汇量。现代语音识别系统已经取得了很大进步，可以识别多个讲话者，并且拥有识别多种语言的庞大词汇表。 语音识别的首要部分当然是语音。通过麦克风，语音便从物理声音被转换为电信号，然后通过模数转换器转换为数据。一旦被数字化，就可适用若干种模型，将音频转录为文本。 大多数现代语音识别系统都依赖于隐马尔可夫模型（HMM）。其工作原理为：语音信号在非常短的时间尺度上（比如 10 毫秒）可被近似为静止过程，即一个其统计特性不随时间变化的过程。 许多现代语音识别系统会在 HMM 识别之前使用神经网络，通过特征变换和降维的技术来简化语音信号。也可以使用语音活动检测器（VAD）将音频信号减少到可能仅包含语音的部分。 幸运的是，对于 Python 使用者而言，一些语音识别服务可通过 API 在线使用，且其中大部分也提供了 Python SDK。
语音识别技术即Automatic Speech Recognition（简称ASR），是指将人说话的语音信号转换为可被计算机程序所识别的信息，从而识别说话人的语音指令及文字内容的技术。目前语音识别被广泛的应用于客服质检，导航，智能家居等领域。树莓派自问世以来，受众多计算机发烧友和创客的追捧，曾经一“派”难求。别看其外表“娇小”，内“心”却很强大，视频、音频等功能通通皆有，可谓是“麻雀虽小，五脏俱全”。本文采用百度云语音识别API接口，在树莓派上实现低于60s音频的语音识别，也可以用于合成文本长度小于1024字节的音频。 此外，若能够结合snowboy离线语音唤醒引擎可实现离线语音唤醒，实现语音交互。
【新智元导读】目前最好的语音识别系统采用双向长短时记忆网络（LSTM，LongShort Term Memory），但是，这一系统存在训练复杂度高、解码时延高的问题，尤其在工业界的实时识别系统中很难应用。科大讯飞在今年提出了一种全新的语音识别框架——深度全序列卷积神经网络（DFCNN，Deep Fully Convolutional NeuralNetwork），更适合工业应用。本文是对科大讯飞使用DFCNN应用于语音转写技术的详细解读，其外还包含了语音转写中口语化和篇章级语言模型处理、噪声和远场识别和文本
在软件生命周期的整个过程中，用例图是软件需求分析到软件交付的第一步，用例图的主要目的是说明这个软件的使用者是谁，使用者要使用那些功能，以及使用者需要向软件提供什么功能。通过用例视图一来可以让使用者清楚的理解这个软件到底能提供什么功能，是不是满足自己的需求，另外一方面对应开发者来说，可以更好地理解需求，从而能更好的去实现这些需求。
Skype前几天推出了实时语音翻译的预览版，让用户可以跨越语言的障碍畅快交流。今天我们就来聊聊微软是如何做到这一点的。 Skype 的翻译系统主要分三步：首先，把你的实时语音转换成文字；然后，再把文字翻译成另一种语言的文字；最后，把文字转换成语音。其中，识别实时语音并转换成文字一直是最棘手的部分。 图像处理和语音识别是深度学习发展的两个主要方向。近几年来，由于深度学习的进步，语音识别依靠深度神经网络（deep neural networks）也取得了不少进展。神经网络在八十年代就已出现，但真正开始焕发光芒
软件地址：https://gitee.com/hgm1989/online_speech_recognition
电脑已经成了我们生活和工作中不可缺少的一个工具，特别是工作中，不知道大家会不会在电脑上进行录音转文字的操作？今天小编特意抽出一点时间给大家演示一遍吧！有兴趣的小伙伴们可以试试哈！
作者 | Rina Diane Caballar 译者 | Sambodhi 策划 | 刘燕 在程序员群体中，有这样一群特殊的群体 — 盲人程序员。盲人程序员依靠屏幕阅读器、盲文显示器等帮助编写代码。而对于那些患有手部疾病的程序员来说，他们没法用键盘，该怎么编程呢？ 从语音到代码：当今有两种领先的语言编程平台，它们提供了不同的方式来向计算机“朗诵”代码。其中一个叫做 Serenade，有点像数字助理：它允许你描述你正在编写代码的指令，而不要求你必须逐字逐句地口述每条指令；另一个叫做 Talon，它提供了对每
导读：目前最好的语音识别系统采用双向长短时记忆网络（LSTM，LongShort Term Memory），但是，这一系统存在训练复杂度高、解码时延高的问题，尤其在工业界的实时识别系统中很难应用。科大讯飞在今年提出了一种全新的语音识别框架——深度全序列卷积神经网络（DFCNN，Deep Fully Convolutional NeuralNetwork），更适合工业应用。本文是对科大讯飞使用DFCNN应用于语音转写技术的详细解读，其外还包含了语音转写中口语化和篇章级语言模型处理、噪声和远场识别和文本处理实时
语音合成标记语言的英文全称是Speech Synthesis Markup Language，这是一种基于XML的标记语言，可让开发人员指定如何使用文本转语音服务将输入文本转换为合成语音。与纯文本相比，SSML可让开发人员微调音节、发音、语速、音量以及文本转语音输出的其他属性。SSML可自动处理正常的停顿(例如，在句号后面暂停片刻)，或者在以问号结尾的句子中使用正确的音调。
---- 新智元报道 编辑：桃子 【新智元导读】3人团队如何用AI改变语音市场？ 三人打下的专注语音技术独角兽，如今又成功融资了。 前段时间，美国音频API平台AssemblyAI完成了3000万美元的B轮融资。 这是一个可以自动将音频和视频文件以及实时音频流转换为文本的平台。 AssemblyAI的创始人兼首席执行官Dylan Fox表示， 「我们正在构建用于定制化语音识别的API，开发人员可以用我们的API 将语音转录成文字或者创建自己的语音接口，而且他们不需要做任何数据上的挖掘和训练，我们
在人工智能产业中，应用层是一个极大的部分，是人工智能技术最终的目的地。除了机器人、无人机和无人驾驶等硬件产品之外，人工智能的软件应用在单独商业化的同时，也在为这些硬件产品提供服务，像智能家居的语音控制
像这种顶尖赛事，保证音、画质的低延迟本就应该是各大平台的“基本操作”，哪怕一点额外的延迟都是绝对不能忍的。
【导读】亚马逊的 Alexa 的巨大成功已经证明：在不远的将来，实现一定程度上的语音支持将成为日常科技的基本要求。整合了语音识别的 Python 程序提供了其他技术无法比拟的交互性和可访问性。最重要的是，在 Python 程序中实现语音识别非常简单。阅读本指南，你就将会了解。你将学到：
整合了语音识别的 Python 程序提供了其他技术无法比拟的交互性和可访问性。最重要的是，在 Python 程序中实现语音识别非常简单。阅读本指南，你就将会了解。你将学到：
从当前来看，速记神器确实为特定人群所需。 近日，搜狗召开发布会，正式推出其自研的速记神器——搜狗听写。这是一款能够将语音实时转变成文字的速记工具，拥有转写和听写两种模式，主要面向记者、编辑、作家等文字工作者。 由搜索而知名的搜狗 在人工智能领域似乎也玩的风生水起 众所周知，搜狗以搜索业务起家。除搜索业务外，其在近年还因搜狗输入法、搜狗高速浏览器等在行业内颇具名气。 如果仅从以上这些来看，搜狗此次推出“搜狗听写”似乎显得有些无厘头。然而，搜狗CEO王小川曾表示，搜索本身也是一种AI。 回顾搜狗的发展史，除去初
对应的便是“耳”、“脑”、“口”的工作，机器要听懂人类说话，就离不开语音识别技术（ASR）。
其实很多的时候都是英文标注的，但是我相信国内的AI领域的博主多了之后就会出现纯中文的备注方案。
译者 | 廉洁 编辑 | 明明 【AI科技大本营导读】亚马逊的 Alexa 的巨大成功已经证明：在不远的将来，实现一定程度上的语音支持将成为日常科技的基本要求。整合了语音识别的 Python 程序提供了其他技术无法比拟的交互性和可访问性。最重要的是，在 Python 程序中实现语音识别非常简单。阅读本指南，你就将会了解。你将学到： •语音识别的工作原理； •PyPI 支持哪些软件包; •如何安装和使用 SpeechRecognition 软件包——一个功能全面且易于使用的 Python 语音识别库。
译者 | 廉洁 编辑 | 明明 出品 | AI科技大本营（公众号ID：rgznai100） 【AI科技大本营导读】亚马逊的 Alexa 的巨大成功已经证明：在不远的将来，实现一定程度上的语音支持将成为日常科技的基本要求。整合了语音识别的 Python 程序提供了其他技术无法比拟的交互性和可访问性。最重要的是，在 Python 程序中实现语音识别非常简单。通过本指南，你将学到： 语音识别的工作原理； PyPI 支持哪些软件包; 如何安装和使用 SpeechRecognition 软件包——一个功能全面且易于
【导读】亚马逊的 Alexa 的巨大成功已经证明：在不远的将来，实现一定程度上的语音支持将成为日常科技的基本要求。整合了语音识别的 Python 程序提供了其他技术无法比拟的交互性和可访问性。最重要的是，在 Python 程序中实现语音识别非常简单。阅读本指南，你就将会了解。你将学到： •语音识别的工作原理； •PyPI 支持哪些软件包; •如何安装和使用 SpeechRecognition 软件包——一个功能全面且易于使用的 Python 语音识别库。 ▌语言识别工作原理概述 语音识别源于 20 世纪
在本文中，我们提供了一个用于训练语音识别的RNN的简短教程，其中包含了GitHub项目链接。 作者：Matthew Rubashkin、Matt Mollison 硅谷数据科学公司 在SVDS的深度
整合了语音识别的 Python 程序提供了其他技术无法比拟的交互性和可访问性。最重要的是，在 Python 程序中实现语音识别非常简单。阅读本指南，你就将会了解。你将学到： •语音识别的工作原理； •PyPI 支持哪些软件包; •如何安装和使用 SpeechRecognition 软件包——一个功能全面且易于使用的 Python 语音识别库。 ▌语言识别工作原理概述 语音识别源于 20 世纪 50 年代早期在贝尔实验室所做的研究。早期语音识别系统仅能识别单个讲话者以及只有约十几个单词的词汇量。现代语音识
--AI科技大本营-- 整合了语音识别的 Python 程序提供了其他技术无法比拟的交互性和可访问性。最重要的是，在 Python 程序中实现语音识别非常简单。阅读本指南，你就将会了解。你将学到： •语音识别的工作原理； •PyPI 支持哪些软件包; •如何安装和使用 SpeechRecognition 软件包——一个功能全面且易于使用的 Python 语音识别库。 ▌语言识别工作原理概述 语音识别源于 20 世纪 50 年代早期在贝尔实验室所做的研究。早期语音识别系统仅能识别单个讲话者以及只有约十几个单
Google日前正式发布旗下云端语音识别API，支持80多种语言，也能辨识正体中文。而新版API加强了长版音频档的转录精准度，也新增支持WAV、Opus和Speex文件格式，且Google也宣称，新版
腾讯大讲堂在9月18日走进新加坡南洋理工大学与师生分享微信背后的智能技术，以及如何更好应用智能技术开发移动应用。本次讲座作为首届在狮城新加坡鸣响战鼓“WeMage 视觉搜索挑战赛”的启动活动。在本次讲座上分别对微信背后的智能技术、语音技术在微信中的应用进行了详细的解读。 首先由来自微信模式识别中心的肖斌给大家介绍了《微信背后的智能技术》。在肖斌的讲座中，他提到，微信已经成为非常流行的社交工具，但微信的潜能不仅仅局限于此。基于智能技术，微信的图像扫一扫可以识别书籍、CD、电影海报、商品，微信摇一摇不仅可以
https://itunes.apple.com/cn/app/id1243368435
倪捷，腾讯云高级产品经理。北京邮电大学硕士。现在腾讯云大数据与人工智能产品中心AI应用产品组担任高级产品经理，负责智能语音相关AI产品，拥有互联网、金融等行业人工智能落地的丰富经验。本文来自倪捷在“2018携程技术峰会”上的分享。
安装使用“法官助手” 开启“语音录入”智能模式 “本院认为，公民享有生命健康权，公民、法人由于过错侵害他人财产人身的，应当承担民事责任……”12月26日，在禄丰法院交通事故类审判团队法官办公室，一名法官在技术人员的指导下使用法官语音助手，对着话筒用语音书写判决书。只见话音刚落，立即被转换为文字显示在电脑上。禄丰法院加快智慧法院建设步伐，近日为全院28名入额法官安装了32寸宽屏电脑和法官语音助手，并在两个数字法庭安装了庭审语音助手，开启了智慧法院“左看右写、语音录入”的工作模式，标志着该院在智慧法院建设上
智能化浪潮席卷全球，智能音箱则成巨头标配智能单品之一，特别在亚马逊Amazon Echo率先取得成功，让智能音箱成为当下最热门的智能硬件，从美国的谷歌和苹果等巨头相继推出自家音箱，到国内BAT、科大讯飞、京东、小米等大型玩家参与，还有出门问问、喜马拉雅等中小玩家，国内局面可以用百箱大战来形容，但与该热度形成鲜明对比的是智能音箱的价格，甚至不足100元都能买到。这里到底是为什么？
最近自己想接触下语音识别，经过一番了解和摸索，实现了对语音识别API的简单调用，正好写文章记录下。目前搜到的帖子里，有现成的调用百度语音API来对音频文件进行识别的；也有通过谷歌语音服务来实现了实时语音识别的。由于我这谷歌语音一直调用不成功，就将二者结合，简单实现了通过百度语音API来进行实时语音识别。
最近，QQ V7.6.0版本发布，新增视频通话“口吐弹幕”功能，引发网友热议。 寻找最新黑科技与视频通话的契合点，使视频聊天更潮、更互动、更具趣味性是，一直是QQ视频通话探索的方向。这次我们结合实时语
语音识别是现在很多人都想了解的概念，其实语音识别就是将语音转换成文字。目前的需求还是蛮大的，尤其是会议纪要、演讲采访、音频文件整理成文字等场景，使用需求非常大。
编者：本文为携程机票研发部技术专家祁一鸣在携程技术微分享中的分享内容，欢迎戳视频观看回放。 【携程技术微分享】是携程技术中心推出的线上公开分享课程，每月1-2期，采用目前最火热的直播形式，邀请携程技术人，面向广大程序猿和技术爱好者，一起探讨最新的技术热点，分享一线实战经验，畅谈精彩技术人生，搭建一个线上的技术分享社区。 祁一鸣，2016年4月加入携程， 任机票研发部技术专家。毕业于美国常春藤名校Dartmouth College本科，曾先后在硅谷的Oracle, Yahoo!和Salesforce总部效力过
1 新智元推荐1 来源：微软研究院AI头条 【新智元导读】继 9月13日微软将对话语音识别错误率降至6.3%的记录后，前天再次宣布进一步将错误率降至 5.9%，首次达成与专业速记员持平且优于绝大多数人的表现。该成功归功于他们采用了一种神经语言模型，该模型在空间中被表现为连续的向量，计算机能通过该模型得知比如“fast”和“quick”是具有紧密联系的近义词。 一个月前，2016年9月14日，微软的对话语音识别技术在产业标准Switchboard语音识别基准测试中实现了词错率（word error rate
重构出版：语音交互技术的冲击与机遇 1 摘要：语音交互技术是人工智能技术的重要分支，包括语音识别、语音合成和语义理解三个部分。语音交互技术不仅从出版实务上重构了出版业，而且重构了出版业的核心概念。出版机构面对语音交互技术的冲击要主动培养音频编辑人才，提前布局市场，在下一次知识服务转型的风口占得先机。 关键词：人工智能；语音交互技术；重构；出版业 2 人工智能将对人类社会产生重大影响，而语音是人工智能技术重要应用领域之一。近年来语音交互技术日趋成熟，数字出版领域有声读物快速发展，市场不断扩大。“国内已经先
本期谈谈 《虚拟私人助理》相关的内容。 我们先大致看下人工智能10大细分行业的典型应用： 1、深度学习／机器学习： 预测数据模型与分析数据的软件平台； 垃圾邮件检测； 金融诈骗检测； 2、自然语言处理： 语音识别； 智能客服； 智能化软件帮助系统； 智能化知识管理系统； 智能企业形象代表； 智能导游； 智能查询系统； 3、计算机视觉／图像识别： 面部识别软件； 基于内容的图片检索； 智能交通； 医疗计算机视觉和医学图像处理； 军事探测和导弹制导； 无人驾驶环境检测； 4、手势控制： 电脑手势指令系统； 游
一款可以让你给视频添加字幕的手机软件。软件拥有非常精准的语音识别功能，可以把你的语音一键转化为相应的文字。同时用户可以自定义文字的颜色、字体、动画等，满足你的文字制作需求。更有双语字幕滚动特效为你提供，还支持多种语音，快来下载体验吧！
4月23日上午9点30分至11:30 ，来自上海大学、上海交通大学、清华大学、河北师范大学、中国海洋大学等高校50位师生，通过视频会议+ 远程访问的方式参加NVIDIA举办的全栈式深度学习开发体验课程。他们在NVIDIA企业开发者社区经理何琨和李奕澎的指导下，一对一远程访问NVIDIA Jetson Xavier NX计算节点，进行实际AI开发操作。本次远程深度学习实践活动也是NX GPU计算体验平台的首次开放。该平台共有50个节点。每台计算节点可以提供高达21TOPS 深度学习计算能力，可利用 NVIDI
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
