久久精品视,亚洲av乱码一区二区三区按摩,欧美大黄,亚洲青青

自動(dòng)語音識別，稱為ASR，英文全稱Automatic Speech Recognition。是指人工智能 （AI） 技術(shù)將人類語音轉(zhuǎn)換為文本的過程。最終目標(biāo)是通過將聲波正確轉(zhuǎn)換為字母和句子字符串來提供音頻的轉(zhuǎn)錄。這要求 自動(dòng)語音識別 系統(tǒng)通過識別語音和解釋對話上下文來在一定程度上學(xué)習(xí)語言，以提供最準(zhǔn)確的轉(zhuǎn)錄。多年來，自動(dòng)語音識別系統(tǒng)已經(jīng)走了很長一段路，近年來變得更加普遍，被集成到Instagram和Tik Tok等流行應(yīng)用程序中。自動(dòng)語音識別 取得的進(jìn)展繼續(xù)為那些受益者提供更易于訪問和負(fù)擔(dān)得起的音頻和視頻數(shù)據(jù)打開大門。在本文中，我們將探討 自動(dòng)語音識別 的發(fā)展、該技術(shù)的現(xiàn)代應(yīng)用以及 自動(dòng)語音識別 如何提高可訪問性。
自動(dòng)語音識別的歷史 我們今天所知的自動(dòng)語音識別的起源可以追溯到1952年，當(dāng)時(shí)發(fā)明了一種名為“奧黛麗”的數(shù)字識別系統(tǒng)。由貝爾實(shí)驗(yàn)室創(chuàng)建，最初奧黛麗只能將口語數(shù)字轉(zhuǎn)錄為可讀的文本，但經(jīng)過改進(jìn)，它最終也能夠轉(zhuǎn)錄基本單詞。后來在1960年代，IBM開發(fā)了一個(gè)名為“鞋盒”的系統(tǒng)，它能夠識別數(shù)字以及理解數(shù)學(xué)命令并計(jì)算答案。然而，直到大約十年后，自動(dòng)語音識別技術(shù)才得到更認(rèn)真的研究。這最終導(dǎo)致了 自動(dòng)語音識別 更準(zhǔn)確的商業(yè)使用，并且在 1990 年代以高成本出售 自動(dòng)語音識別 技術(shù)和 API。 自動(dòng)語音識別在 2000 年代的技術(shù)繁榮中真正獲得了動(dòng)力，如今 自動(dòng)語音識別 現(xiàn)在已達(dá)到接近人類的準(zhǔn)確性。隨著購買 自動(dòng)語音識別 系統(tǒng)的成本變得更加實(shí)惠和可訪問性不斷增長，現(xiàn)在可以在許多流行的移動(dòng)應(yīng)用程序中找到 自動(dòng)語音識別 技術(shù)的形式，變得越來越普遍和廣泛。 自動(dòng)語音識別如何工作？ 人在筆記本電腦上，雙手放在鍵盤上，屏幕上有多種語言的語音識別詞。
為了使自動(dòng)語音識別能夠準(zhǔn)確地將一系列聲波轉(zhuǎn)換為書面文本，自動(dòng)語音識別系統(tǒng)必須學(xué)習(xí)該語言。就像一個(gè)人學(xué)習(xí)一門新語言一樣，自動(dòng)語音識別 系統(tǒng)分步學(xué)習(xí)，并利用這些技能來轉(zhuǎn)換和正確解釋所說的內(nèi)容。此過程的第一步從自動(dòng)語音識別系統(tǒng)理解音素開始。音素是語言中聲音的最小單位。此步驟使系統(tǒng)能夠理解和識別每個(gè)字母發(fā)出的聲音。一旦音素能夠被理解，這項(xiàng)基礎(chǔ)技能允許系統(tǒng)組合不同的字母并將它們發(fā)音以創(chuàng)建單詞。

從那里，自動(dòng)語音識別系統(tǒng)能夠從串在一起的單詞構(gòu)建句子。然而，自動(dòng)語音識別 系統(tǒng)的學(xué)習(xí)和基礎(chǔ)理解并不止于此。為了確保準(zhǔn)確性，自動(dòng)語音識別系統(tǒng)還必須了解如何正確區(qū)分發(fā)音相似的單詞和短語，并選擇正確的解釋。在處理書面文本中的聲音時(shí)，重要的是 自動(dòng)語音識別 還能夠理解和區(qū)分哪些單詞重要，哪些不重要。例如，系統(tǒng)必須能夠理解和解釋不流暢和填充詞等話語。不流暢包括自然言語中出現(xiàn)的言語，如停頓或猶豫和口吃。填充詞包括像“嗯”這樣的詞，它們填充空間但在對話上下文中沒有意義。 訓(xùn)練 自動(dòng)語音識別 系統(tǒng)的方法 訓(xùn)練自動(dòng)語音識別系統(tǒng)有多種方法和方法。在當(dāng)今世界，訓(xùn)練自動(dòng)語音識別系統(tǒng)的兩種主要方法是傳統(tǒng)的混合方法和所謂的端到端深度學(xué)習(xí)方法。這些各自的方法中的每一種都在每個(gè)系統(tǒng)中包含多個(gè)模型。 傳統(tǒng)的混合方法 傳統(tǒng)的混合方法是自動(dòng)語音識別的傳統(tǒng)方法，今天許多公司仍在使用。盡管現(xiàn)在有更準(zhǔn)確的訓(xùn)練方法，但仍然依賴傳統(tǒng)的混合方法，因?yàn)閷τ谌绾位谶@種方法創(chuàng)建強(qiáng)大的模型有更多的知識和專有技術(shù)。由于傳統(tǒng)的混合方法是15年來的主要方法，因此有更多的可用數(shù)據(jù)和已經(jīng)完成的研究，使得構(gòu)建系統(tǒng)變得更加容易。傳統(tǒng)的混合方法使用傳統(tǒng)的HMM（隱馬爾可夫模型）和GMM（高斯混合模型），兩者都需要使用數(shù)據(jù)的力對齊。強(qiáng)制對齊是指語音識別系統(tǒng)獲得所講內(nèi)容的精確轉(zhuǎn)錄的過程，然后它必須確定語音片段中單詞所屬的時(shí)間順序。在傳統(tǒng)的HMM和GMM方法中，有三種模型是變體，在自動(dòng)語音識別過程中起著重要作用。

在使用傳統(tǒng)的混合語音識別方法中發(fā)揮作用的三種模型是：聲學(xué)模型、詞典模型和語言模型。聲學(xué)模型通常是HMM或GMM方法的變體，用于復(fù)制語音的聲學(xué)模式。這允許它根據(jù)輸入的強(qiáng)制對齊數(shù)據(jù)預(yù)測在什么時(shí)間發(fā)生什么聲音。另一個(gè)模型是詞典模型，它被編程為告訴自動(dòng)語音識別系統(tǒng)單詞是如何發(fā)音的。語言模型還有助于正確確定句子中單詞的正確順序。它使用語言統(tǒng)計(jì)作為資源和指導(dǎo)，使用概率根據(jù)概率和數(shù)據(jù)預(yù)測哪些單詞相互跟隨。最后是解碼過程。解碼綜合這些模型，以產(chǎn)生所說的文字記錄。

盡管長期使用傳統(tǒng)的混合方法，但它并非沒有局限性或缺點(diǎn)。與其他方法相比，這種方法的最大缺點(diǎn)之一是精度較低。使用傳統(tǒng)的混合方法效率也較低，因?yàn)槊總€(gè)系統(tǒng)都必須單獨(dú)訓(xùn)練，這使得它比其他方法更加勞動(dòng)密集和耗時(shí)。準(zhǔn)確性不那么可靠，因?yàn)槊總€(gè)系統(tǒng)都利用自定義語音集來提供轉(zhuǎn)錄，這取決于它是由誰設(shè)計(jì)或編程的。 端到端學(xué)習(xí)方法 提供自動(dòng)語音識別的更現(xiàn)代方法是端到端學(xué)習(xí)方法。端到端學(xué)習(xí)能夠?qū)⒔邮盏降穆晫W(xué)信號映射到一系列單詞中，而無需依賴力對齊數(shù)據(jù)。與傳統(tǒng)的混合方法相比，利用端到端學(xué)習(xí)方法可提供更準(zhǔn)確的轉(zhuǎn)錄。與傳統(tǒng)的混合方法不同，端到端學(xué)習(xí)還能夠在不使用詞典模型或語言模型的情況下創(chuàng)建成績單。三個(gè)突出的端到端架構(gòu)是CTC，LAS和RNNT。所有這些端到端深度學(xué)習(xí)架構(gòu)都可用于創(chuàng)建高度準(zhǔn)確的轉(zhuǎn)錄，而無需使用強(qiáng)制對齊的數(shù)據(jù)、語言模型或詞典模型。但是，在此過程中使用語言模型有助于進(jìn)一步提高準(zhǔn)確性。與傳統(tǒng)的混合方法相比，端到端學(xué)習(xí)方法不僅需要更少的人力，而且更容易培訓(xùn)和編程。 自動(dòng)語音識別準(zhǔn)確嗎？ 如今，自動(dòng)語音識別比以往任何時(shí)候都更加準(zhǔn)確，甚至達(dá)到了接近人類水平的準(zhǔn)確性。然而，隨著人工智能系統(tǒng)的不斷學(xué)習(xí)和新的學(xué)習(xí)方法的發(fā)展，自動(dòng)語音識別一直在改進(jìn)。自動(dòng)語音識別的準(zhǔn)確性可能受到不同變量的影響，例如使用哪種方法或方法對系統(tǒng)進(jìn)行編程。衡量自動(dòng)語音識別準(zhǔn)確性的一個(gè)常用指標(biāo)是單詞錯(cuò)誤率 （WER）。單詞錯(cuò)誤率的計(jì)算方法是將錯(cuò)誤數(shù)除以轉(zhuǎn)錄語音片段中的單詞數(shù)。雖然自動(dòng)語音識別的準(zhǔn)確性受所用方法的影響，但無論使用哪種方法，WER也受到外部因素的影響。音頻質(zhì)量、重音、串?dāng)_和同音字等變量都會(huì)影響 自動(dòng)語音識別 的準(zhǔn)確性。盡管 自動(dòng)語音識別 并非沒有局限性并且仍在改進(jìn)，但目前的 自動(dòng)語音識別 系統(tǒng)幾乎接近人類轉(zhuǎn)錄的準(zhǔn)確性。為了證明這種比較，像微軟這樣的流行自動(dòng)語音識別系統(tǒng)的WER為5.1%，而谷歌的單詞錯(cuò)誤率為4.9%。人類轉(zhuǎn)錄員的平均單詞錯(cuò)誤率為 4%;仍然比 自動(dòng)語音識別 更準(zhǔn)確，并且能夠更好地解釋上下文。盡管自動(dòng)語音識別的準(zhǔn)確性不斷提高，但僅靠自動(dòng)語音識別系統(tǒng)并不完美，這表明仍然需要人類轉(zhuǎn)錄員來獲得最可靠的轉(zhuǎn)錄或字幕。 自動(dòng)語音識別的應(yīng)用 自動(dòng)語音識別的應(yīng)用在當(dāng)今的現(xiàn)代世界中無處不在。盡管當(dāng)大多數(shù)人想到自動(dòng)語音識別時(shí)，第一個(gè)聯(lián)想可能是想到視頻和電視或其他形式的轉(zhuǎn)錄的字幕，但它遠(yuǎn)遠(yuǎn)不止于此。自動(dòng)語音識別的常見應(yīng)用無處不在，從手機(jī)到許多人在家中擁有的數(shù)字和虛擬助手。自動(dòng)語音識別是日常生活的重要組成部分，比許多人意識到的要多。如今，自動(dòng)語音識別 的應(yīng)用以某種形式簡化了大多數(shù)人的任務(wù)，無論是轉(zhuǎn)錄和發(fā)送短信的智能手機(jī)、遵循命令的虛擬助手還是其他方式。 應(yīng)用 1 可以在大多數(shù)家庭和許多工作場所中找到的自動(dòng)語音識別的日常應(yīng)用在于虛擬和數(shù)字助理。也許這些虛擬助手中最著名的是：亞馬遜的Alexa，谷歌的谷歌助手，蘋果的Siri和微軟的Cortana。這些數(shù)字助理和其他數(shù)字助理旨在能夠執(zhí)行基本任務(wù)并回答和回答問題。這樣的人工智能系統(tǒng)能夠訪問廣泛的信息和知識數(shù)據(jù)庫，使他們能夠找到各種問題的答案，計(jì)算計(jì)算，并執(zhí)行打開和關(guān)閉電器等命令。在商業(yè)和工作場所，這些數(shù)字助理可以通過安排和啟動(dòng)視頻會(huì)議和會(huì)議、搜索文檔，甚至創(chuàng)建圖表并將數(shù)據(jù)輸入報(bào)告來加快辦公任務(wù)并減輕工作量。聊天機(jī)器人是另一種常見的用途，可幫助客戶服務(wù)人員解決常見問題和其他基本客戶需求。 應(yīng)用 2 除了Siri等數(shù)字助理之外，智能手機(jī)還在各種應(yīng)用程序中利用自動(dòng)語音識別和語音轉(zhuǎn)文本功能。像Instagram這樣的流行應(yīng)用程序通過允許用戶通過語音命令更改或激活過濾器來整合自動(dòng)語音識別。自動(dòng)語音識別是智能手機(jī)上每次使用語音轉(zhuǎn)文本不可或缺的一部分，無論是說出您希望短信說出的內(nèi)容，還是告訴瀏覽器或應(yīng)用程序要搜索的內(nèi)容。Instagram和Youtube等社交媒體和內(nèi)容平臺上的字幕也使用自動(dòng)語音識別為視頻提供自動(dòng)生成的字幕。 自動(dòng)語音識別 如何使可訪問性受益？ 女人拿著電話與現(xiàn)在說話和手機(jī)屏幕上的麥克風(fēng)圖像。
自動(dòng)語音識別的應(yīng)用可以幫助聾啞人和聽力障礙者以及視力低下或行動(dòng)不便的人更容易進(jìn)入技術(shù)和世界。自動(dòng)語音識別 提高可訪問性的最顯著方法之一是通過電視和電影以及社交媒體內(nèi)容的字幕。通過這種方式，自動(dòng)語音識別能夠使數(shù)字內(nèi)容更易于訪問和包容，因?yàn)槁犃p失的人能夠遵循對話，考慮上下文和背景噪音，并總體上更全面地理解和體驗(yàn)視覺內(nèi)容。自動(dòng)語音識別 在幫助那些有無障礙需求的人通過電話、短信或電子郵件更好地溝通方面也發(fā)揮著關(guān)鍵作用。
語音轉(zhuǎn)文本功能允許行動(dòng)不便或視力低下的人指示他們想要包含在電子郵件或短信中的內(nèi)容，然后 自動(dòng)語音識別 系統(tǒng)為他們輸入。這項(xiàng)技術(shù)允許這些人減輕因必須使用鍵盤實(shí)際鍵入這些形式的通信而產(chǎn)生的疲勞或沮喪。聽力損失的人通常很難聽到電話交談，并且由于這一點(diǎn)和可能相關(guān)的焦慮，可能會(huì)完全避免打電話。但是，自動(dòng)語音識別有助于通過InnoCaption等服務(wù)提供準(zhǔn)確的字幕，以便聽力障礙者可以重新獲得獨(dú)立撥打電話的信心。

InnoCaption如何使用自動(dòng)語音識別
InnoCaption使聽力障礙社區(qū)能夠使用速記員和自動(dòng)語音識別來撥打電話，以提供實(shí)時(shí)字幕。速記員是訓(xùn)練有素的專業(yè)人員，他們使用速記機(jī)以速記方式轉(zhuǎn)錄對話并提供字幕。通過同時(shí)提供 自動(dòng)語音識別 和實(shí)時(shí)速記員，InnoCaption 將選擇權(quán)交到用戶手中，他們能夠隨著可訪問性需求的變化在字幕方法之間切換。自動(dòng)語音識別能夠提供準(zhǔn)確和快速的字幕，而無需速記員或其他現(xiàn)場人員在場。為了通過自動(dòng)語音識別提供一流的字幕，InnoCaption使用多個(gè)引擎，并始終如一地設(shè)計(jì)專有解決方案以最好地為用戶服務(wù)。通過使用自動(dòng)語音識別來提供字幕，InnoCaption還能夠?yàn)橛脩籼峁┯⒄Z和西班牙語的字幕。除了實(shí)時(shí)速記員之外，通過使用自動(dòng)語音識別，InnoCaption能夠?yàn)楦鼜V泛，更多樣化的社區(qū)提供字幕。 自動(dòng)語音識別 的未來會(huì)是什么樣子？ 隨著自動(dòng)語音識別的不斷改進(jìn)和發(fā)展，這項(xiàng)技術(shù)的未來使用和實(shí)施也是如此。數(shù)據(jù)收集和處理提高了準(zhǔn)確性，并繼續(xù)使 自動(dòng)語音識別 系統(tǒng)能夠更好地處理口音和獨(dú)特的語音模式。自動(dòng)語音識別系統(tǒng)的持續(xù)學(xué)習(xí)表明這種人工智能技術(shù)只會(huì)得到進(jìn)一步的使用，專家推測它也將在更多行業(yè)中發(fā)揮更大的作用。自動(dòng)語音識別在未來使用的一個(gè)期望在于醫(yī)療保健領(lǐng)域。許多人預(yù)計(jì)，聊天機(jī)器人和語音技術(shù)系統(tǒng)將進(jìn)一步整合到醫(yī)療檢查和管理任務(wù)中，在健康檢查中更大程度地取代人類。在數(shù)字助理的帶領(lǐng)下，搜索行為也有望發(fā)生變化并進(jìn)一步依賴語音，并且設(shè)備和搜索引擎上的許多接觸點(diǎn)很可能會(huì)轉(zhuǎn)變?yōu)槭章狘c(diǎn)。

四部InnoCaption屏幕手機(jī)在城市景觀背景下。