编辑导语：语音识别已经走进了各人的日常糊口中，我们的手机、汽车、智能音箱均能对我们的语音举办识别。那么什么是语音识别呢？它又能应用于那边？该如何对其举办测试与运营维护呢？本文作者为我们举办了具体地先容。

此刻人机语音交互已经成为我们日常糊口的一部门，语音交互更自然，大大的提高了效率。上一篇文章我们聊了语音叫醒，这次我们继承聊聊语音交互的要害步调之一——语音识别。

一、什么是语音识别

文字绝对算是人类最伟大的发现之一，正是因为有了文字，人类的文明成就才得以延续。

可是文字只是记录 *** ，人类一直都是依靠声音举办交换。所以人脑是可以直接处理惩罚音频信息的，就像你每次听到别人和你措辞的时候，你就会很自然地领略，不消先把内容转酿成文字再领略。

而呆板今朝只能做到先把音频转酿成文字，再凭据字面意思领略。

微信可能输入法的语音转文字相信各人都用过，这就是语音识此外典范应用，就是把我们说的音频转换成文字内容。

语音识别技能（Automatic Speech Recognition）是一种将人的语音转换为文本的技能。

观念领略起来很简朴，但整个进程还长短常巨大的。正是由于巨大，对算力的耗损较量大，一般我们都将语音识别模子放在云端去处理惩罚。

这也就是我们常见的，不联网无法利用的原因，虽然也有在当地识此外案列，像输入法就有当地语音识此外包。

二、语音识此外应用

语音识此外应用很是遍及，常见的有语音交互、语音输入。跟着技能的逐渐成熟和5G的普及，将来的应用范畴只会更大。

语音识别技能的应用往往凭据应用场景举办分别，会有私人场景、车载场景、儿童场景、家庭场景等，差异场景的产物形态会有所差异，可是底层的技能都是一样的。

1. 私人场景

私人场景常见的是手机助手、语音输入法等，主要依赖于我们常用的设备—手机。

假如你的手机内置手机助手，你可以利便快捷的实现设定闹钟，打开应用等，大大的提高了效率。语音输入法也有很是明明的优势，相较于键盘输入，提高了输入的效率，每分钟可以输入300字阁下。

2. 车载场景

车载场景的语音助手是将来的趋势，此刻国产电动车根基上都有语音助手，可以高效的实现对车内一些设施的节制，好比调低座椅、打开空调、播放音乐等。

开车是需要高度会合留意力的工作，眼睛和手会被占用，这个时候利用语音交互往往会有更好的结果。

3. 儿童场景

语音识别在儿童场景的应用也许多，因为儿童对付新鲜事物的接管本领很高，可以或许接管此刻技能的不成熟。常见的儿童进修软件中的跟读成果，识别孩子发音是否精确，这就应用的是语音识别本领。

尚有一些可以语音交互的玩具，也有ASR识此外部门。

4. 家庭场景

家庭场景最常见的就是智能音箱和智能电视了，我们通过智能音箱，可以语音节制家内里的所有电器的开关和状态；通过语音节制电视切换节目，搜索我们想要寓目标内容。

三、语音识别详解

整个从语音识此外进程，先从当地获取音频，然后传到云端，最后识别出文本，就是一个声学信号转换成文本信息的进程。整个识此外进程如下图：

1. VAD技能

在开始语音识别之前，有时需要把首尾端的静音切除，低落对后续步调造成滋扰，这个切除静音的炒作一般称为VAD。

这个步调一般是在当地完成的，这部门需要用到信号处理惩罚的一些技能。

VAD（Voice Activity Detection）：也叫语音激活检测，可能静音抑制。其目标是检测当前语音信号中是否包括话音信号存在，即对输入信号举办判定，将话音信号与各类配景噪声信号区分出来，别离对两种信号回收差异的处理惩罚要领。

算法方面，VAD算法主要用了2-3个模子来对语音建模，而且分成噪声类、语音类尚有静音类。今朝大大都照旧基于信噪比的算法，也有一些基于深度进修（DNN）的模子。

一般在产物设计的时候，会牢靠一个VAD截断的时间，但面临差异的应用场景，大概会要求这个时间是可以自界说的，主要是用来节制多长时间没有声音举办截断。

好比小孩子措辞会较量慢，经常会留尾音，那么我们就需要针对儿童场景，配置较量长的VAD截断时间；而成人就可以相对短一点，一般会配置在400ms-1000ms之间。

2. 当地上传（压缩）

人的声音信息首先要颠末麦克风整列收集和处理惩罚，然后再把处理惩罚好的音频文件传到云端，整个语音识别模子才开始事情。