语音识别（speech recognition）技术，也被称为自动语音识别（英语：Automatic Speech Recognition, ASR）、计算机语音识别（英语：Computer Speech Recognition）或是语音转文本识别（英语：Speech To Text, STT），其目标是以计算机自动将人类的语音内容转换为相应的文字。与说话人识别及说话人确认不同，后者尝试识别或确认发出语音的说话人而非其中所包含的词汇内容。

语音识别

语音识别（Automatic Speech Recognition，ASR） 为开发者提供语音转文字服务的最佳体验。语音识别服务经微信、腾讯视频、王者荣耀等大量内部业务验证，同时也在线上线下大量外部客户业务场景下成功落地，具备识别准确率高、接入便捷、性能稳定等特点。腾讯云语音识别服务开放实时语音识别、一句话识别和录音文件识别三种服务形式，满足不同类型开发者需求。

语音合成

语音合成（Text To Speech，TTS）满足将文本转化成拟人化语音的需求，打通人机交互闭环。支持多种音色选择，可自定义音量和语速，为企业客户提供个性化发音人定制服务，让发音更自然、更专业、更符合场景需求。语音合成可广泛应用于语音导航、有声读物、机器人、语音助手、自动新闻播报等场景，提升人机交互体验，提高语音类应用构建效率。

语音识别就是把语音变成文字的过程，相信大家在平时生活也已经用到过一些语音识别的场景，比如说语音输入法、地图产品的语音输入。近年来，随着互联网的发展，各种音频数据和文本数据得到不断积累和丰富，CPU、GPU硬件的发展，以及深度学习算法大规模的应用，语音识别技术的应用开始获得大规模的商业化拓展。

此次我们整理了腾讯产业互联网学堂大咖直播课《智能语音技术解密》的回顾，帮助大家了解智能语音，以及智能语音背后的一些技术。

一、智能语音识别的过程：

机器识别语音到文字的过程和人识别语音的过程类似：从录音文件或是麦克风收集的音频中提取特征，经过声学模型和语言模型的处理，最后得出的是识别结果的文字。提取特征的方式有很多种，比较常见的是MFC（多频互控）。

在这个过程中，我们将重点关注特征提取、声学模型、语言模型这三个流程。

特征提取方面：

我们在拿到一段音频文件后，会先把这个文件进行转码变成PCM格式，然后把这个文件分成一片一片，也就是分帧，再对每一帧的数据进行采样。

声学模型方面：

提取了特征之后，就要进行声学模型的处理。这个过程就是把之前提取到的发音特征数据变成音素概率。

语言模型方面：

语言模型的处理需要大量的文本语料，通过这些文本语料统计出我们平时看到的词语和句子出现的概率。语音模型中用的比较多的技术是WFST，通过搜过WFST的图，可以得到对应这个音素发音的概率最高的句子，最终形成语音识别结果的文本。

二、深度神经网络

说到智能语音识别，就不得不提智能语音识别领域中最重要深度神经网络技术。从名称上理解的话，深度神经网络其实是模拟人的大脑神经元的工作原理得出的。1943年，心理学家Warren McCulloch和数学家Walter Pits发明了数学上神经元的原型。

基于简单的神经元的单元，可以组合出更复杂的神经网络的结构，后面这两张图分别是简单的神经网络和多层的神经网络的示例，对比可以看出，多层神经网络的神经更复杂、层数和节点更多、计算量更大。

神经网络训练的方式主要有两种：损失函数和优化函数。损失函数指评价网络输出结果和标准结果相差多少；优化函数的作用是优化网络里的参数。

深度神经网络在刚被提出时并没有受到太多的重视，因为它的计算量很大、效果也不比当时其他的算法好。直到卷积神经网络的出现并高效应用于图像识别领域时，深度神经网络技术才受到大家的重视。第一个采用卷积思想的神经网络在1988年面世；2012年，Hinton的学生Alex Krizhevsky在寝室死磕出来一个使用GPU来加速计算的卷积神经网络模型，从此深度神经网络技术开始大放异彩。

那么，卷积神经网络中的“卷积”是什么意思呢？

“卷”指加法操作，“积”指乘法操作。在图像领域中，卷积的过程就是对原始图像的像素值对应位做乘法、再做加法，卷积核会在原始图像上不断平移进行这样的计算，最终算出卷积之后的像素值。卷积核在这其中相当于一个提取特征的方式。

我们以下图为示例，来说明卷积的效果。左边是原始图像，右边是卷积之后的图像，我们可以看到通过不断地卷积运算，图像识别内容逐渐丰富。

另一种是RNN的网络，RNN主要提取时间上的特征。

三、深度学习的应用

我们说了这么多关于深度学习的内容，那么深度学习在声学模型中究竟如何运用呢？

语音识别过程提取了特征之后，一帧的数据变成一个单位的向量，多帧的数据变成了一个矩阵。

在DNN网络中，输入一帧数据，得到发音单元的分类结果。

目前使用得更多的是RNN的LSTM网络， LSTM网络可以更好地追踪发音的变化过程，更好地识别音素。

还有一种网络是CLDNN网络，这种网络可以训练出效果比较好的声学模型。

四、语音识别产品的应用场景

智能语音识别技术能将自动将人类的语音内容转换为相应的文字，这种技术到底运用在哪些商业化场景中？我们以腾讯云语音识别产品为例讲一讲。

手机端应用内置语音输入识别

APP，微信公众号与小程序等应用内，不便文字输入场景进行语音输入识别，如手机语音助手，手机端游戏，手机输入法等应用中，手机内置语音输入法已成为人机交互的标准配置。

大型呼叫中心客服电话录音质检

对于呼叫中心质检，人工处理速度慢，成本高，标准很难统一，而基于语音识别能力包装的智能质检能够克服当前存在的痛点，降本增效。

审讯庭审记录（会议纪要）

公检法系统通过语音识别可以大幅提升效率，在法庭庭审过程中，减少了庭审记录员核对时间，让法庭开庭数量有提升，公安监狱笔录过程中，笔录内容真实，提升审讯效率。

目前，腾讯云的语音识别服务已经过微信、腾讯视频、王者荣耀等大量内部业务验证，同时也在线上线下大量外部客户业务场景下成功落地。关于如何使用腾讯云语音识别产品，大家可以点击【阅读原文】观看完整录播视频，也可以在腾讯云官网体验腾讯云的语音识别产品服务。

Q&A

Q：腾讯云ASR的识别率是多少？

A：这个主要看音频里的人说普通话是否标准，在比较安静的环境、普通话比较标准的话识别率在97%以上。

Q：一段音频文件中如果有2人或多人说话，能否根据声纹做智能分轨？

A：如果是2个人的话，可以做到话者的区分。

Q：是否支持本地化部署腾讯云ASR吗？

A：支持。