文章摘要：語音識(shí)別的本質(zhì)是一種基于語音特征參數(shù)的模式識(shí)別，即通過學(xué)習(xí)，系統(tǒng)能夠把輸入的語音按一定模式進(jìn)行分類，進(jìn)而依據(jù)判定準(zhǔn)則找出最佳匹配結(jié)果。

什么是語音識(shí)別技術(shù)？

語音識(shí)別的本質(zhì)是一種基于語音特征參數(shù)的模式識(shí)別，即通過學(xué)習(xí)，系統(tǒng)能夠把輸入的語音按一定模式進(jìn)行分類，進(jìn)而依據(jù)判定準(zhǔn)則找出最佳匹配結(jié)果。

目前，模式匹配原理已經(jīng)被應(yīng)用于大多數(shù)語音識(shí)別系統(tǒng)中。一般的模式識(shí)別包括預(yù)處理，特征提取，模式匹配等基本模塊。首先對(duì)輸入語音進(jìn)行預(yù)處理，其中預(yù)處理包括分幀，加窗，預(yù)加重等。其次是特征提取，因此選擇合適的特征參數(shù)尤為重要。常用的特征參數(shù)包括：基音周期，共振峰，短時(shí)平均能量或幅度，線性預(yù)測(cè)系數(shù)（LPC），感知加權(quán)預(yù)測(cè)系數(shù)（PLP），短時(shí)平均過零率，線性預(yù)測(cè)倒譜系數(shù)（LPCC），自相關(guān)函數(shù)，梅爾倒譜系數(shù)（MFCC），小波變換系數(shù)，經(jīng)驗(yàn)?zāi)B(tài)分解系數(shù)（EMD），伽馬通濾波器系數(shù)（GFCC）等。在進(jìn)行實(shí)際識(shí)別時(shí)，要對(duì)測(cè)試語音按訓(xùn)練過程產(chǎn)生模板，最后根據(jù)失真判決準(zhǔn)則進(jìn)行識(shí)別。

語音識(shí)別，以目前的主流ASR-自動(dòng)語音/語言識(shí)別技術(shù)為例，實(shí)現(xiàn)的功能是把音頻波形（模擬信號(hào)）轉(zhuǎn)換為文字（符號(hào)）。其原理可以理解為一個(gè)計(jì)算機(jī)系統(tǒng)，輸入語音，并分解為詞、字、音節(jié)等元素，通過與軟件內(nèi)部存儲(chǔ)好的特征元素（模型）進(jìn)行模式匹配，找到最可能接近的文字、詞語或語句并輸出。

沃豐科技ASR語音識(shí)別系統(tǒng)功能優(yōu)勢(shì)

場(chǎng)景化識(shí)別

基于transformer結(jié)構(gòu)+self-attention機(jī)制的端到端語音識(shí)別模型，采用數(shù)萬小時(shí)行業(yè)精標(biāo)數(shù)據(jù)，結(jié)合知識(shí)庫、FAQ等信息，重現(xiàn)對(duì)話情景，自動(dòng)讓機(jī)器人在場(chǎng)景化領(lǐng)域做識(shí)別

多樣化信息

定制化場(chǎng)景豐富的識(shí)別結(jié)果輸出，不僅能夠輸出one-best結(jié)果，同時(shí)輸出n-best多候選以及音素，為自然語言理解提供豐富多樣化信息

可讀易懂

采用大規(guī)?？头?duì)話數(shù)據(jù)，基于深度學(xué)習(xí)的方法，對(duì)語音內(nèi)容理解并進(jìn)行智能斷句，讓結(jié)果更可讀與可懂

準(zhǔn)確率領(lǐng)先

基于上下文語義，采用大數(shù)據(jù)分析，對(duì)內(nèi)容實(shí)時(shí)動(dòng)態(tài)糾錯(cuò)，自動(dòng)過濾敏感詞等；提供自定義聲學(xué)以及語言模型優(yōu)化

沃豐科技ASR語音識(shí)別系統(tǒng)采用國際前沿的端到端語音語義一體化建模算法，將語音快速準(zhǔn)確識(shí)別為文字，支持一句話識(shí)別、語音內(nèi)容分析、機(jī)器人對(duì)話、智能質(zhì)檢等多個(gè)場(chǎng)景。

》》免費(fèi)試用/預(yù)約演示——智能語音識(shí)別，優(yōu)勢(shì)一試便知

相關(guān)詞條推薦：ASR語音識(shí)別 | 語音識(shí)別技術(shù) | 語音識(shí)別質(zhì)檢

文章為沃豐科技原創(chuàng)，轉(zhuǎn)載需注明來源：http://m.gototw.com.cn/ucm/faq/36650