图灵汇官网

让机器能够听懂人类的语言、理解和思考还有多远？首先需要解决的就是“听”的问题。

小时候，我们是否也曾对着门喊过“芝麻开门！”？

当然，门只会静静地站在那里，仿佛没有听见你的呼唤。尽管如此，孩子们还是乐此不疲地对着门喊几声，内心深处希望门能有所反应，比如打开。

为什么门不会响应我们的命令呢？因为门本身不具备接收和理解声音的能力。如果我们能够让门“听到”你的声音、你的命令，接下来就可以通过语义分析和控制系统来实现开关门的操作。

这引出了本次的重点技术——语音识别。本次干货分享由语音识别产品经理：焦糖玛奇朵提供，希望能为大家打开语音识别的大门。

语音识别是将人类的声音信号转换成文字的过程。本文将从产品的角度对业界的语音识别产品进行分类和说明。不同的产品类型具有不同的算法或接口特性，适用于不同的需求场景。

根据识别内容的范围，语音识别可以分为以下几类：

1、封闭域识别：

封闭域识别是指算法只能在预先设定的词汇表内进行识别。对于不在词汇表内的语音，系统会拒绝识别。因此，封闭域识别可以优化声学模型和语言模型，使得识别引擎的运算量更小。此外，该引擎可以嵌入到嵌入式芯片或本地SDK中，使识别过程完全脱离云端，不受网络影响，且不影响识别率。业界厂商提供的部署方式包括云端和本地化（如芯片、模块和纯软件SDK）。

产品类型包括： - 命令字/词识别 - 语音唤醒 - 语法识别

产品形态： - 流式传输-同步获取

典型应用场景： - 涉及简单指令交互的智能家居和电视盒子，例如“打开窗帘”、“打开中央台”。但若涉及未在词汇表中的命令，如“给小编这篇文章来个打赏”，系统将无法识别并返回相应的文字结果，也不会做出相应动作。

2、开放域识别：

开放域识别无需预先指定词汇表，算法将在整个语言范围内进行识别。为了适应这种场景，声学模型和语音模型通常较大，引擎运算量也较大。将其封装到嵌入式芯片或本地化SDK中，耗能较高且可能影响识别效果。业界厂商大多以云端形式提供服务，包括公有云和私有云。本地化形式只有具备服务器级别计算能力的嵌入式系统，如会议字幕系统。

产品类型按说话风格特点分为： - 语音听写 - 语音转写

语音听写： - 语音时长短（<1分钟），一般为一句话。 - 训练语料为朗读风格，语速均匀。 - 主要应用于人机对话场景，录音质量较好。

产品形态： - 流式上传-同步获取 - 已录制音频文件上传-同步获取

典型应用场景： - 应用较为成熟的输入场景，如输入法；以及与麦克风阵列和语义结合的人机交互场景，如智能音响，例如“叮咚叮咚，转发小编这篇文章。”

语音转写： - 语音时长长（五小时以上），句子较多。 - 训练语料为交谈风格，语速不均匀，吞字和连字现象较多。 - 录音多为远场或带噪的。

产品形态： - 音频流转写：流式上传-同步获取 - 非实时已录制音频转写：已录制音频文件上传-异步获取

典型应用场景： - 字幕配置，客服语音质检，UGC语音内容审查

概念厘清： 1、离线VS在线： 在讯飞开放平台的产品定义和多数客户认知中，离线和在线的区别在于识别过程是否需要通过云端请求，即识别引擎是在云端还是本地。云计算中的离线和在线产品引擎都在云端，区别在于计算过程中，客户端是否需要与云端进行实时数据交互。因此，不建议使用离线和在线的概念进行产品定义。

2、8K VS 16K采样率语音模型： 在众多语音云服务厂商中，根据音频采样率进行分类，训练出适合不同采样率的语音模型，最典型的是8K和16K模型。采样率越高，原始音频信息保留越多，识别率也会更高。

3、语音识别VS语义识别： 语音识别是语义识别的基础。语音识别将声音转化为文字，语义识别则提取文字中的相关信息和相应意图，通过执行模块进行问题回复或反馈动作。

结语（栗子结合了一小部分语义）： 最后举一个例子：“叮咚叮咚，给小编这篇文章点个赞吧。”在没有后台配置的情况下，封闭域的语音识别系统会拒绝识别这段语音，而开放域的识别系统却能够识别这段语音并返回相应的文字结果。现阶段的开放域语义系统可能会回复得比较生硬，也不会自动识别出相应的意图并做出指令。按照现有方法，需要在后台预先配置相关答案，并根据预先配置的信息抽取意图，再根据意图类别和槽位信息执行相应动作，如调用微信的点赞接口（假设可以）进行点赞操作。

听起来是不是觉得手动点赞更简单？然而，现代人类所做的每一个自然且毫不费力的动作，都是经过亿万年的学习和进化才得以实现。人工智能技术也需要大量的数据训练和一定的时间才能成熟。目前，封闭域的产品化已经在语义识别等领域取得了突破，而语音识别已经从封闭域发展到了开放域，正在各个行业发挥着人工智能的力量！

撰稿：焦糖玛奇朵

编辑：1024君