随着 AI 的不断发展，我们前端工程师也可以开发出一个智能语音机器人，下面是我开发的一个简单示例，大家可以访问这个视频地址查看效果。
可以看到，语音识别的应用场景越来越广泛，我们在做小程序开发的时候，也经常会遇到使用语音识别的场景；其中语音输入法是非常基础的功能场景，如果能实现这个基础功能，那其他场景都可以基于这个功能来打造更有趣的小程序服务。
介绍了一种以ARM为核心的嵌入式语音识别模块的设计与实现。模块的核心处理单元选用ST公司的基于ARM Cortex-M3内核的32位处理器STM32F103C8T6。本模块以对话管理单元为中心，通过以LD3320芯片为核心的硬件单元实现语音识别功能，采用嵌入式操作系统μC/OS-II来实现统一的任务调度和外围设备管理。经过大量的实验数据验证，本文设计的语音识别模块具有高实时性、高识别率、高稳定性的优点。本文引用地址：http://www.eepw.com.cn/article/201706/347845.htm
先回顾下，生活、工作中你使用过哪些语音识别相关的产品或者服务？ 培训/考试相关的小程序，使用语音识别来判断回答是否正确； 英语口语练习的小程序，使用语音识别来打分； 你画我猜类的小程序，使用语音识别来判断是否猜对； 活动营销类的小程序，比如口令识别、口令红包等； 直播/短视频类小程序，使用语音识别生成字幕； 客服类的小程序，使用语音识别、语音合成来实现智能客服。 可以看到，语音识别的应用场景越来越广泛，我们在做小程序开发的时候，也经常会遇到使用语音识别的场景；其中语音输入法是非常基础的功能场景，如果能实
腾讯云实时音视频（TRTC）接入实时语音识别，主要是将TRTC中的音频数据传递到语音识别的音频数据源中进行实时识别。本篇讲述如何对TRTC本地和远端的音频流进行实时识别。
2012 年，在深度学习技术的帮助下，语音识别研究有了极大进展，很多产品开始采用这项技术，如谷歌的语音搜索。这也开启了该领域的变革：之后每一年都会出现进一步提高语音识别质量的新架构，如深度神经网络、循环神经网络、长短期记忆网络、卷积神经网络等等。然而，延迟仍然是重中之重：自动语音助手对请求能够提供快速及时的反应，会让人感觉更有帮助。
DeepSpeech是国内百度推出的语音识别框架，目前已经出来第三版了。不过目前网上公开的代码都还是属于第二版的。
AI 科技评论按：在近二十年来，尤其是引入深度学习以后，语音识别取得了一系列重大突破，并一步步走向市场并搭载到消费级产品中。然而在用户体验上，「迟钝」可以算得上这些产品最大的槽点之一，这也意味着语音识别的延迟问题已经成为了该领域研究亟待解决的难点。日前，谷歌推出了基于循环神经网络变换器（RNN-T）的全神经元设备端语音识别器，能够很好地解决目前语音识别所存在的延迟难题。谷歌也将这项成果发布在了官方博客上，AI 科技评论进行编译如下。
鸡尾酒会问题一直是语音识别领域中的重要研究课题。在一场人声嘈杂的鸡尾酒会上，人们难以专注于眼前正与自己交谈的那个人的声音。而对于语音识别算法而言，重叠语音信号会使识别准确率大幅降低，甚至有时无法识别出任何文字。
从 WaveNet 到 Tacotron，再到 RNN-T，谷歌一直站在语音人工智能技术的最前沿。近日，他们又将多人语音识别和说话人分类问题融合在了同一个网络模型中，在模型性能上取得了重大的突破。
识别延迟一直是设备端语音识别技术需要解决的重大问题，谷歌手机今天更新了手机端的语音识别技术——Gboard，重磅推出了一款端到端、全神经、基于设备的语音识别器，支持Gboard中的语音输入。通过谷歌最新的（RNN-T）技术训练的模型，该模型精度超过CTC，并且只有80M，可直接在设备上运行。
孩子的语音特征，其与成人的不同之处。为什么现在的通用语音识别算法在识别孩子语音的时候表现糟糕，以及Sensory的解决之道 - Sensory VoiceAI for Kids!
报道称，微软正在进行一项高级谈判，以高达160亿美元的价格收购智能语音巨头 Nuance Communications。
对于想进入语音识别领域的学习者来说，了解语音识别系统的一些基本概念，会有助于更快的进入这个行业的交流平台，本文对语音识别系统的一些常见概念做了整理，希望能对刚开始接触语音学习的人有所帮助。
随着语音识别技术越来越热，声学模型的训练方法也越来越多，各种组合和变化也是层出不穷，而随着深度学习的兴起，使用了接近30年的语音识别声学模型HMM（隐马尔科夫模型）逐渐被DNN（深度神经网络）所替代，模型精度也有了突飞猛进的变化，其中声学模型模型结构经历了从经典的GMM-HMM，到DNN-HMM，再到DNN+CTC的转变，本文列出了其中的常见模型，权当是一篇导读性质的文章，供大家学习时参考。
使用python制作一个专属于自己语音播报器是不是很酷，很多人都会认为只是一件很难的事情，但是需要告诉你的是，这是一件非常简单的事情。
作者 ｜ 刘燕 Nuance 已是没落的语音识别巨头，微软欲花 160 亿美元买下它，这笔交易值吗？ 1微软拟斥资 160 亿美元收购 Nuance 北京时间 4 月 12 日，根据彭博社的报道，微软正在就收购全球最大语音识别公司 Nuance Communications Inc. 进行深入谈判。据悉，微软可能愿意为收购这家公司支付高达 160 亿美元（1049 亿元人民币）的收购价格。 报道称，两家公司之间的谈判“正在进行中”，尚未最终敲定。CNBC 援引知情人士消息称，交易可能最早于周日签署，最早于周
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。
最近在做一个文本转语音TTS(Text to Speech)的第三方软件封装，使用的是国内语音技术龙头安徽科大讯飞公司提供的离线引擎AiSound5.0，主要用于汽车导航用途。科大讯飞还提供了AiTalk用于语音识别，AiWrite用于手写识别服务等。另外还有针对6种平台的SDK和开发示例。
通常我们说到语音识别技术的时候，指的是整个语音对话系统，如图所示，语音对话系统通常包括四个主要组成部分的一个或多个：语音识别系统将语音转化为文本、语义理解系统提取用户说话的语义信息、文字转语音系统将内容转化为语音、对话管理系统连接其他三个系统并完成与实际应用场景的沟通。所有这些部分对建立一个成功的语音对话系统都是很关键的。
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。
原文链接 / https://ai.googleblog.com/2020/11/improving-on-device-speech-recognition.html
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。
当我们测试语音识别相关的系统，衡量性能是非常重要的，一般语音识别准确性最常用的度量标准是字错误率，比如录音笔中的转写功能或者输入法语音输入等等，其实就是语音识别提供的服务，因此也需要测试相关的指标。
呜啦啦啦啦啦啦啦大家好，拖更的AIScholar Weekly栏目又和大家见面啦！
小编最早接触隐马尔科夫模型（Hidden Markov Model，HMM），是利用HMM对机械设备的隐含退化状态进行建模、估计和预测，直观的感受是HMM的建模非常便利，可解释性很强，通用性强，缺点是对转移概率和观测概率估计学习时计算量较大，尤其是维数增多时易出现维数灾难问题，但随着DNN技术的发展和GPU计算能力的增强，计算能力已不再是HMM应用的瓶颈，HMM的能力将会得到充分的释放。
【新智元导读】微软语音识别技术24年老将黄学东近日被评为“微软全球技术院士”，成功摘下这一微软技术的“桂冠”。 黄学东于1993年加入微软。1995年，黄学东最终把洪小文也拉入微软。黄学东还曾在Bing工作，一直跟随沈向洋博士。接受新智元的专访时，他谈到了去年微软对话语音识别词错率低至5.9%背后的故事。 同时，黄学东认为语音识别的下一个大难关是语义理解，目前看来最有希望的路线是 LSTM + Attention。 黄学东，微软语音识别技术 24 年老将，IEEE/ACM 双科院士，微软深度学习工具包CNT
那么，智能时代跟FreeSWITCH什么关系呢？严格来说，其实没什么关系。你看，我今天又标题党了。
导读：常见的数据来源和获取方式，你或许已经了解很多。本文将拓展数据来源方式和格式的获取，主要集中在非结构化的网页、图像、视频和语音。
选自svds 作者：Cindi Thompson 机器之心编译 参与：李泽南、Smith 目前开源世界里存在多种不同的语音识别工具包，它们为开发者构建应用提供了很大帮助。这些工具各有哪些优劣？数据科学
最近刚换了三星的Note9，深度体验了一下Bixby的语音功能，觉得挺不错的，而且上周的人工智能大会上，分布屏幕两边的分别是科大讯飞和腾讯提供的服务：讯飞听见和腾讯同传。两者的表现也都是让人眼前一亮。
---- 新智元报道 编辑：Aeneas 好困 【新智元导读】用一个Chrome扩展程序，让ChatGPT开口说话！ 现在，ChatGPT可以和我们语音聊天了！ 只需在浏览器上安装一个「Talk-to-ChatGPT」扩展就可以。 如何安装 Talk-to-ChatGPT扩展程序可以从此处的Chrome在线商店下载：https://chrome.google.com/webstore/detail/talk-to-chatgpt/hodadfhfagpiemkeoliaelelfbboamlk
呜啦啦啦啦啦啦啦大家好，连续两周拖更的AIScholar Weekly栏目又和大家见面啦！
本文主要针对中文语音识别问题，选用常用的模型进行 离线 demo 搭建及实践说明。
英文数据 • TIMIT:音素识别，LDC版权 • WSJ:新闻播报，LDC版权 • Switchboard:电话对话，LDC版权 • Aurora4，鲁棒语音识别(WSJ加噪)(http://aurora.hsnr.de/aurora-4.html)• Librispeech:有声读物，1000小时，开源(http://openslr.org/12/) • AMI:会议，开源(http://openslr.org/16/) • TED-LIUM:演讲，开源(http://openslr.org/19/) • CHiME-4:平板远讲，需申请 • CHiME-5/6:聚会聊天，需申请
识别「谁说了什么」，也就是「说话人分类」任务是自动理解人类对话音频的关键步骤。例如，在一个医生与患者的对话中，「患者」在回答医生的问题（「你经常服用心脏病药物吗？」）时说了「Yes」，这和医生用反问的语气说「Yes？」的含义截然不同。
这次出手的，又是谷歌 AI 团队。刚刚，他们为旗下的一款手机输入法 Gboard （不要跟谷歌拼音输入法搞混了啊~）上线了新功能：离线语音识别。目前这一新功能，只能在其自家的产品 Pixel 系列手机上使用。
智能外呼在国内已发展多年，整体的技术早已非常成熟。那么一个简单的智能外呼系统应该包含哪些东西呢？
北京时间 2018 年 9 月 7 日，国际多通道语音分离和识别大赛（CHiME）组委会在微软海得拉巴研发中心揭晓了最新一届 CHiME-5 的比赛结果。
语音活动检测（Voice Activity Detection， VAD）用于检测出语音信号的起始位置，分离出语音段和非语音（静音或噪声）段。VAD算法大致分为三类：基于阈值的VAD、基于分类器的VAD和基于模型的VAD。
本文介绍了语音识别技术中的端到端模型、基于CTC的序列模型、基于序列学习的注意力机制模型、基于3D卷积神经网络的语音识别系统等。其中，端到端模型可以直接从原始音频数据中学习到针对语音识别的抽象表示，具有较好的可扩展性和鲁棒性；而基于CTC的序列模型则通过连接主义学习的方法，将CTC定义的序列映射问题转化为神经网络中的参数优化问题，进一步提高了语音识别的准确率；基于序列学习的注意力机制模型则借鉴了语言学中的注意力机制，通过对输入序列进行加权处理，进一步提高了模型的识别准确率；基于3D卷积神经网络的语音识别系统则利用3D卷积核对输入序列进行卷积处理，提取出序列中的特征信息，进一步提高了模型的识别准确率。
我今天演讲主要分四个部分，第一个是分享语音识别概述，然后是深度神经网络的基础；接下来就是深度学习在语音识别声学模型上面的应用，最后要分享的是语音识别难点以及未来的发展方向。
近日，阿里巴巴达摩院机器智能实验室语音识别团队，推出了新一代语音识别模型—— DFSMN，不仅被谷歌等国外巨头在论文中重点引用，更将全球语音识别准确率纪录提高至 96.04%（基于世界最大的免费语音识别数据库LibriSpeech）。
语音识别建模对语音识别来说是不可或缺的一部分，因为不同的建模技术通常意味着不同的识别性能，所以这是各个语音识别团队重点优化的方向。也正是因为如此，语音识别的模型也层出不穷，其中语言模型包括了N-gram、RNNLM等，在声学模型里面又涵盖了HMM、DNN、RNN等模型...
这个页面不需要用户登录，就能获取页面数据，所以我们不需要考虑登录时获取token的问题，这个下次会单独做个视频讲解。
今天看到一篇“一个视频自动加字幕的小工具，如何做到月入2W”的博文（突字幕，有兴趣的同学可以度娘，作者的动手能力确实很强！），考虑实现这个小工具就能做到这个收入，还是挺让人羡慕的！在当前人工智能、机器学习的热度不减的当下，依托成熟三方服务或者开源实现，实现一个类似的应用理论上是不难的，而核心的技术难点也显而易见，主要在语音识别，以及机器翻译的准确性上，考虑到商用，所以感觉最大可能是使用了三方成熟的API！
选自Google Research 机器之心编译 参与：路雪 近日，谷歌开放语音命令数据集，发布新的音频识别教程，旨在帮助初学者利用深度学习解决语音识别和其他音频识别问题。 语音命令数据集地址：http://download.tensorflow.org/data/speech_commands_v0.01.tar.gz 音频识别教程地址：https://www.tensorflow.org/versions/master/tutorials/audio_recognition 在谷歌，我们经常被问到如何使
随着神经机器翻译的兴起，基于Attention的Seq2Seq模型由于其强大的建模变长序列直接转换问题的能力，也在其他领域获得了极大的关注。语音识别问题本质上也是两个变长序列直接转换的问题，Seq2Seq模型的提出为解决语音识别问题开辟了另一条道路，其优雅的模型结构和强大的性能使得语音识别问题有希望彻底摆脱语言模型和发音词典，真正的进行端到端的联合优化。
没天总是不停的开会，会议内容又多又发散！音频文件整理困难，搜索不到终点，占用空间大，不利于分享和传达！
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
实时音视频
即时通信 IM
对象存储
