語音識別技術的原理

　　定義：語音識別技術（ASR Automatic Speech Recognition)，讓智能設備聽懂人類的語音。語音識別的工作流程，可以分為三大部分：前端語音處理、模型訓練、后端識別處理

　　1、前端處理

　　前端處理，即將聲音的模擬信號，轉換成機器能處理的數字信號，并對信號進行優(yōu)化。語音識別的硬件鏈路通常是：MIC 麥克風—>ADC/PDM（模數轉化）——>Codec/DSP/NPU（信號優(yōu)化和處理）。其中麥克風/ADC/PDM為前段處理部分，DSP/NPU的部分（例如降噪算法）也屬于前段處理。

　　MIC 麥克風 采集外部聲音的硬件，關鍵參數是靈敏度dB和信噪比SNR九游會j9官網真人游戲第一品牌。 按信號輸出分：模擬麥和數字麥，數字麥是在模擬麥的基礎上內置ADC，直接對外輸出數字信號。

　　按產品形態(tài)分：駐極體ECM和硅麥MEMS，前者工藝成熟成本低，后者體積小，常見于手機應用。

　　前端處理的原理簡化描述：

　　音頻采集：通過麥克風，將聲波轉換為模擬電信號，再通過ADC轉換為數字信號

　　預處理：靜音切除 VAD、分偵加窗、降噪（主動降噪ANC）、預加重等

　　特征提?。簣D中選的是主流的MFCC，其他還有LPCC，PLP等，選取后續(xù)可以匹配的特征點

　　2. 模型訓練

　　模型可以簡單理解為“字典”，機器可以查字典，去比對輸入的信息，找出正確答案近幾年的模型訓練發(fā)展，開始納入語言模型，讓機器能翻譯出人類語言，進而達到更準確的識別效果。

　　聲學模型訓練：

　　聲學模型是識別系統(tǒng)的底層模型，是語音識別系統(tǒng)中關鍵的部分，算法主要集中優(yōu)化該部分。

　　聲學模型是通過大量的語音收集，并根據特定的算法規(guī)則獲得特征值，用于后面的識別比對。

　　語言模型訓練：

　　語言模型是用來計算一個句子出現(xiàn)概率的概率模型，是語音識別中的"字典"

　　它需要綜合三個層次的知識：字典，語法，句法，讓機器能更好理解人類的自然語言。

　　3、后端識別處理 （語音解碼）

　　應用中實時將人聲采集進來，跟“聲學模型”和“語言模型”匹配比較，并輸出正確的識別結果該步驟跟模型建立有深度關聯(lián)，有時將"模型建立"歸類到后端識別處理中，與前端處理對應識別準確率和響應速度，綜合取決于算法優(yōu)化，硬件主頻，以及前端信號的降噪能力（分離人聲）。

　　按照市場主流的觀點，我們將語音識別區(qū)分為在線和離線：

　　在線語音識別，即大詞匯量連續(xù)語音識別系統(tǒng) ，擁有智能交互的特點

　　典型應用：智能音箱、智能手機助手、在線翻譯、智能客服等

　　離線語音識別，即小詞匯量、低成本的語音識別系統(tǒng)，應用場景相對單一

　　典型應用：智能家電、語音遙控器、智能玩具、車載聲控、智能家居等

　　離線和在線最大的區(qū)別在于，在線語音識別需要聯(lián)網，實際的語音識別過程在云端或服務器（高性能處理器和大容量數據存儲），需確保網絡連接穩(wěn)定和通暢。離線則無需聯(lián)網和任何其他外部設備的支持，上電即可使用，語音識別工作發(fā)生在本地設備（低成本MCU/NPU/DSP和極小存儲容量）。離線的存在，可以簡單視為在線語音技術的簡化版，將場景單一化減少需要識別的對象，實現(xiàn)硬件成本最低化，更符合廣大消費者的價格需求。j9游會真人游戲第一品牌