一、语音识别的智能家居框架
本系统由软件和硬件两部分组成, 如图 2所示.软件部分又分为云端和嵌入式客户端. 云端和客户端各自集成了几个主要模块, 分别实现不同的功能
云端软件运行在 Linux 上, 它包含声学模型、语音模型、语料库、CMU Sphinx 工具包、Java 虚拟机. 云端主要功能是接受客户端发送的语音文件转化成文本文件返回, 应用程序模块全部使用 Java 开发, 调用 CMU Sphinx 提供的类库. 主要功能包含语音识别算法和语义转换模块, 它被部署在 Java 虚拟机上. 语音识别算法的主要过程有: 语音输入、预处理、特征提取、模型匹配、输出结果. 首先必须使用 CMU Sphinx的训练工具以特定声学模型为基础对语料库获取匹配的 MFCC 特征数据, 然后使用 MAP 和 MLLR 自适应技术来改进原来的声学模型。
二、移动端的使用
随着移动互联网技术的不断发展,尤其是移动终端的小型化、多样化变化趋势,语音识别作为区别于键盘、触屏的人机交互手段之一,在需要解放双手的环境下、对于双手或视觉残障人士、对于无法通过触觉控制的微型设备都具有独特的优势。随着语音识别算法模型、自适应性的加强,相信在未来很长一段时间内,语音识别系统的应用将更加广泛与深入,更多丰富的移动终端语音识别产品将步入人们的日常生活。
就算对于正常人来说，例如寒冷的冬天，有无数次需要用手机却死活不想伸手。打电话，发微信，查路线，叫车，这些如果都可以用一个可穿戴设备通过语音控制实现，那该多好啊。目前出门问问团队以做出搭载 Moto 360 的智能手表操作系统Ticwear，可以实现直接语音控制滴滴打车。
早在一年前，Intel 就开发出可穿戴设备原型 Jarvis，可戴在耳朵上之后连入手机，以此实现听懂主人发出的指令、给予语音反馈的功能，充当类似 Siri 的个人语音助手角色
三、内容监管上的运用
1、语音识别技术应用之音频切分和分类技术
音频切分和分类技术的应用范围非常广，以语音识别和关键词处理广播电视音频信息为例，首先要做的就是要打点切分音频打点切分的时候可以利用静音检测方法进行，静音检测法在定位方面确性更高，可以为之后的音频分类奠定基础。在音频打点切分完成后，将切分得到的各音频片段加以分类，使之后的音频处理有据可循。
2 、语音识别技术应用之音频模板匹配技术
知道节目的片头曲或者片尾曲，则可以利用音频模板匹配技术对节目（片段）进行自动打点和分割。在压缩及信号传输的影响下，音频流与固定模板之间会产生巨大差别，而解决鲁棒性是其核心所在，通过基于多频带能量相对比率的特征提取方法，利用各时刻所对应的各个频带的能量分布趋势相对稳定这一特性，解决因为音频扭曲造成不稳定的问题。
3、语音识别技术应用之节目的自动发现技术
为了更好地进行本次研究，下面笔者将以广告识别作为样本，利用音频重复性检测获取新广告片段，具体内容概括如下：首先，因为针对的是自动发现未知新节目和广告而设计的，所以在实际过程中需要将待处理数据从已知模板中去除掉，以便能够减小计算量；其次，在进行重复候选位置的定位时，通过基于音频向量空间模型的快速音频搜索算法进行定位，但在具体过程中，因为会召回一些错误片段，所以有必要进行过滤处理；再有，利用基于音频指纹的搜索确认，用音频向量空间模型检测出来的重复片段，这样检测出的结果准确性更高，进行重复候选确认，进而检测出误报片段。
通过上述几个步骤的操作，余下的片段均是重复片段，既有广告内容的重复部分，也有新闻或者电视节目中的重复部分，然后利用图像帧变化率这一特征进行区分，将广告重复部分之外的内容去除。
4、语音导航系统
（1）语音导航系统构架
1）客户通过手机或者固话，利用排队机接入呼叫中心系统，在 CTI 和 IVR 的控制下，当用户需要语音导航业务时，通过呼叫平台实现话务接入，平台记录下的原始语音文本，并进行播报用户确认无误后，将该文件作为语音识别引擎的输入；
2）原始的语音文件信息经过语音识别模块，分别经过特征提取、端点检测、去燥处理等语音识别预处理技术，经过处理过的较为干净的语音文件在经过离线解码、在线解码、置信度等处理，转出成自然语言文本信息，并将原始文件信息、原始语音信息、语音特征信息存入文本 / 语音语库中。
3）将自然语言文本信息经过自然语言处理，分别经过模式匹配、语法分析、语义解析、语义搜索、上下文管理、预测等技术处理，将自然语言文本信息转换成计算机能识别的语音信息作为输出物。
4）并进行业务需求的分析，为自然语言处理引擎提供关键数据输入。
5、医疗领域
不仅是简单的通过智能手表追踪运动情况和心率，还有直接根据人的身体状况匹配相应的服务如合适的餐厅或食物等，当然这些大多是基于可穿戴设备的。另外还需要考虑到更多场景，诸如紧急语音求助，医患对话存档，呼叫中心的对话听写等。
由于医疗领域词汇库专业性强演变性弱，只要建立完整的数据库，就可以做到对疾病名称、药品名称相对精确的识别。国内已有的应用如病历夹与珍立拍，为医生提供一个安全存储病历资料的云空间，方便查找病例，支持语音搜索功能。
6 、在社交方面的运用
A、熟人通讯方面，我们应该都见过这样的场景，出租车上司机们通过对讲平台互相勾兑、插科打诨。路上匆忙的低头族，很多都在回微信，而如果通过声控交互构建一个对讲平台，这个体验就完全不一样了，你不需要用眼和手也可以随时给某某捎去一段话，别人给你发来语音、声控交互会提示你是否接听，而如果这个交互可以通过耳麦自动识别微小的语音（并根据接听者情况适度放大），那么以后走在路上就可以轻松而不违和地与人通话了，这个事情的意义在于将从另一个角度接管用户的关系链，形成大网优势。
B、陌生人社交方面，当下社交产品最大的痛点就是社交质量差、低效社交多、效率远远赶不上用户预期，一个突出表现就是搭讪无人理睬、理睬也在若干小时之后（所以人们为何喜欢直播，因为美女主播至少会说谢谢反馈下），但是语音沟通是一个更加强调即时性和真实性的场景，又不像视频那么需要“化妆和端着”，所以反而可能成为新的突破口。至于当下的语音社交平台为何多数做的不好，因为太像色情声讯台了！
C、兴趣推荐。如果选择值得一听的声音节目成本如此之高，那么一个比较好的办法就是基于兴趣的推荐来降低选择难度。比如喜马拉雅已经推出了“猜你喜欢”系统，可以通过深度学习、进行类似今日头条那样的个性化推荐。那么再进一步，如果以后这个推荐可以不需要通过眼睛完成呢，直接传来一个声音：“小喜根据你的爱好搜到了几个节目，下面念下标题，你感兴趣就喊要这个……”
D、时空触发。这个意思是，应该给更多的信息赋予时空属性，比如在某一时刻放出，或者在某一位置放出。举一个例子，你今天刚到一家商场，连上wifi，耳麦里立刻提醒你有最新的优惠活动信息、要不要听。你像即刻那样设置一些关注节点，比如某股又跌了，当这个消息到来，耳麦里立刻提醒你要不要听。你到达某个景点，耳边响起景点的典故。你晚上睡不着了，耳边响起周围人的声音，像不像《her》？
E、做强参与。同为视频，直播爆火的劲头远远强于当年的视频平台和短视频，这也释放了一个信号，用户并不满足于成为单向的内容接受者，他们也希望成为内容的参与者甚至再创作者，他们也希望得到更多的互动和回馈，来满足参与感、存在感和归属感，所以类似电台的互动直播很重要。
四、语音识别数据集
一2000 HUB5 English：仅包含英语的语音数据集，百度最近的论文《深度语音：扩展端对端语音识别》使用的是这个数据集。
地址：https://catalog.ldc.upenn.edu/LDC2002T43
二：LibriSpeech：包含文本和语音的有声读物数据集，由近500小时的多人朗读的清晰音频组成，且包含书籍的章节结构。
地址：http://www.openslr.org/12/
三：VoxForge：带口音的语音清洁数据集，对测试模型在不同重音或语调下的鲁棒性非常有用。
地址：http://www.voxforge.org/
四：TIMIT：英文语音识别数据集。
地址：https://catalog.ldc.upenn.edu/LDC93S1
五：CHIME：包含环境噪音的语音识别挑战赛数据集。该数据集包含真实、模拟和清洁的语音录音，具体来说，包括4个扬声器在4个有噪音环境下进行的将近9000次录音，模拟数据是将多个环境组合及在无噪音环境下记录的数据。
地址：http://spandh.dcs.shef.ac.uk/chime_challenge/data.html
六：TED-LIUM：TED Talk 的音频数据集，包含1495个TED演讲的录音及全文的文字稿。
地址：http://www-lium.univ-lemans.fr/en/content/ted-lium-corpus
七：ai_challenger_interpretation_train
地址：http://pan.baidu.com/s/1skIUjiH
（部分内容摘自网络，如有侵权，请联系删除。）
网友评论