激情人妻,国产视频不卡中文,麻豆精品一区二区不卡成人网站,精品日韩偷拍

自動語音識別，稱為ASR，英文全稱Automatic Speech Recognition。是指人工智能 （AI） 技術(shù)將人類語音轉(zhuǎn)換為文本的過程。最終目標(biāo)是通過將聲波正確轉(zhuǎn)換為字母和句子字符串來提供音頻的轉(zhuǎn)錄。這要求 自動語音識別 系統(tǒng)通過識別語音和解釋對話上下文來在一定程度上學(xué)習(xí)語言，以提供最準(zhǔn)確的轉(zhuǎn)錄。多年來，自動語音識別系統(tǒng)已經(jīng)走了很長一段路，近年來變得更加普遍，被集成到Instagram和Tik Tok等流行應(yīng)用程序中。自動語音識別 取得的進(jìn)展繼續(xù)為那些受益者提供更易于訪問和負(fù)擔(dān)得起的音頻和視頻數(shù)據(jù)打開大門。在本文中，我們將探討 自動語音識別 的發(fā)展、該技術(shù)的現(xiàn)代應(yīng)用以及 自動語音識別 如何提高可訪問性。
自動語音識別的歷史 我們今天所知的自動語音識別的起源可以追溯到1952年，當(dāng)時發(fā)明了一種名為“奧黛麗”的數(shù)字識別系統(tǒng)。由貝爾實驗室創(chuàng)建，最初奧黛麗只能將口語數(shù)字轉(zhuǎn)錄為可讀的文本，但經(jīng)過改進(jìn)，它最終也能夠轉(zhuǎn)錄基本單詞。后來在1960年代，IBM開發(fā)了一個名為“鞋盒”的系統(tǒng)，它能夠識別數(shù)字以及理解數(shù)學(xué)命令并計算答案。然而，直到大約十年后，自動語音識別技術(shù)才得到更認(rèn)真的研究。這最終導(dǎo)致了 自動語音識別 更準(zhǔn)確的商業(yè)使用，并且在 1990 年代以高成本出售 自動語音識別 技術(shù)和 API。 自動語音識別在 2000 年代的技術(shù)繁榮中真正獲得了動力，如今 自動語音識別 現(xiàn)在已達(dá)到接近人類的準(zhǔn)確性。隨著購買 自動語音識別 系統(tǒng)的成本變得更加實惠和可訪問性不斷增長，現(xiàn)在可以在許多流行的移動應(yīng)用程序中找到 自動語音識別 技術(shù)的形式，變得越來越普遍和廣泛。 自動語音識別如何工作？ 人在筆記本電腦上，雙手放在鍵盤上，屏幕上有多種語言的語音識別詞。
為了使自動語音識別能夠準(zhǔn)確地將一系列聲波轉(zhuǎn)換為書面文本，自動語音識別系統(tǒng)必須學(xué)習(xí)該語言。就像一個人學(xué)習(xí)一門新語言一樣，自動語音識別 系統(tǒng)分步學(xué)習(xí)，并利用這些技能來轉(zhuǎn)換和正確解釋所說的內(nèi)容。此過程的第一步從自動語音識別系統(tǒng)理解音素開始。音素是語言中聲音的最小單位。此步驟使系統(tǒng)能夠理解和識別每個字母發(fā)出的聲音。一旦音素能夠被理解，這項基礎(chǔ)技能允許系統(tǒng)組合不同的字母并將它們發(fā)音以創(chuàng)建單詞。

從那里，自動語音識別系統(tǒng)能夠從串在一起的單詞構(gòu)建句子。然而，自動語音識別 系統(tǒng)的學(xué)習(xí)和基礎(chǔ)理解并不止于此。為了確保準(zhǔn)確性，自動語音識別系統(tǒng)還必須了解如何正確區(qū)分發(fā)音相似的單詞和短語，并選擇正確的解釋。在處理書面文本中的聲音時，重要的是 自動語音識別 還能夠理解和區(qū)分哪些單詞重要，哪些不重要。例如，系統(tǒng)必須能夠理解和解釋不流暢和填充詞等話語。不流暢包括自然言語中出現(xiàn)的言語，如停頓或猶豫和口吃。填充詞包括像“嗯”這樣的詞，它們填充空間但在對話上下文中沒有意義。 訓(xùn)練 自動語音識別 系統(tǒng)的方法 訓(xùn)練自動語音識別系統(tǒng)有多種方法和方法。在當(dāng)今世界，訓(xùn)練自動語音識別系統(tǒng)的兩種主要方法是傳統(tǒng)的混合方法和所謂的端到端深度學(xué)習(xí)方法。這些各自的方法中的每一種都在每個系統(tǒng)中包含多個模型。 傳統(tǒng)的混合方法 傳統(tǒng)的混合方法是自動語音識別的傳統(tǒng)方法，今天許多公司仍在使用。盡管現(xiàn)在有更準(zhǔn)確的訓(xùn)練方法，但仍然依賴傳統(tǒng)的混合方法，因為對于如何基于這種方法創(chuàng)建強大的模型有更多的知識和專有技術(shù)。由于傳統(tǒng)的混合方法是15年來的主要方法，因此有更多的可用數(shù)據(jù)和已經(jīng)完成的研究，使得構(gòu)建系統(tǒng)變得更加容易。傳統(tǒng)的混合方法使用傳統(tǒng)的HMM（隱馬爾可夫模型）和GMM（高斯混合模型），兩者都需要使用數(shù)據(jù)的力對齊。強制對齊是指語音識別系統(tǒng)獲得所講內(nèi)容的精確轉(zhuǎn)錄的過程，然后它必須確定語音片段中單詞所屬的時間順序。在傳統(tǒng)的HMM和GMM方法中，有三種模型是變體，在自動語音識別過程中起著重要作用。

在使用傳統(tǒng)的混合語音識別方法中發(fā)揮作用的三種模型是：聲學(xué)模型、詞典模型和語言模型。聲學(xué)模型通常是HMM或GMM方法的變體，用于復(fù)制語音的聲學(xué)模式。這允許它根據(jù)輸入的強制對齊數(shù)據(jù)預(yù)測在什么時間發(fā)生什么聲音。另一個模型是詞典模型，它被編程為告訴自動語音識別系統(tǒng)單詞是如何發(fā)音的。語言模型還有助于正確確定句子中單詞的正確順序。它使用語言統(tǒng)計作為資源和指導(dǎo)，使用概率根據(jù)概率和數(shù)據(jù)預(yù)測哪些單詞相互跟隨。最后是解碼過程。解碼綜合這些模型，以產(chǎn)生所說的文字記錄。

盡管長期使用傳統(tǒng)的混合方法，但它并非沒有局限性或缺點。與其他方法相比，這種方法的最大缺點之一是精度較低。使用傳統(tǒng)的混合方法效率也較低，因為每個系統(tǒng)都必須單獨訓(xùn)練，這使得它比其他方法更加勞動密集和耗時。準(zhǔn)確性不那么可靠，因為每個系統(tǒng)都利用自定義語音集來提供轉(zhuǎn)錄，這取決于它是由誰設(shè)計或編程的。 端到端學(xué)習(xí)方法 提供自動語音識別的更現(xiàn)代方法是端到端學(xué)習(xí)方法。端到端學(xué)習(xí)能夠?qū)⒔邮盏降穆晫W(xué)信號映射到一系列單詞中，而無需依賴力對齊數(shù)據(jù)。與傳統(tǒng)的混合方法相比，利用端到端學(xué)習(xí)方法可提供更準(zhǔn)確的轉(zhuǎn)錄。與傳統(tǒng)的混合方法不同，端到端學(xué)習(xí)還能夠在不使用詞典模型或語言模型的情況下創(chuàng)建成績單。三個突出的端到端架構(gòu)是CTC，LAS和RNNT。所有這些端到端深度學(xué)習(xí)架構(gòu)都可用于創(chuàng)建高度準(zhǔn)確的轉(zhuǎn)錄，而無需使用強制對齊的數(shù)據(jù)、語言模型或詞典模型。但是，在此過程中使用語言模型有助于進(jìn)一步提高準(zhǔn)確性。與傳統(tǒng)的混合方法相比，端到端學(xué)習(xí)方法不僅需要更少的人力，而且更容易培訓(xùn)和編程。 自動語音識別準(zhǔn)確嗎？ 如今，自動語音識別比以往任何時候都更加準(zhǔn)確，甚至達(dá)到了接近人類水平的準(zhǔn)確性。然而，隨著人工智能系統(tǒng)的不斷學(xué)習(xí)和新的學(xué)習(xí)方法的發(fā)展，自動語音識別一直在改進(jìn)。自動語音識別的準(zhǔn)確性可能受到不同變量的影響，例如使用哪種方法或方法對系統(tǒng)進(jìn)行編程。衡量自動語音識別準(zhǔn)確性的一個常用指標(biāo)是單詞錯誤率 （WER）。單詞錯誤率的計算方法是將錯誤數(shù)除以轉(zhuǎn)錄語音片段中的單詞數(shù)。雖然自動語音識別的準(zhǔn)確性受所用方法的影響，但無論使用哪種方法，WER也受到外部因素的影響。音頻質(zhì)量、重音、串?dāng)_和同音字等變量都會影響 自動語音識別 的準(zhǔn)確性。盡管 自動語音識別 并非沒有局限性并且仍在改進(jìn)，但目前的 自動語音識別 系統(tǒng)幾乎接近人類轉(zhuǎn)錄的準(zhǔn)確性。為了證明這種比較，像微軟這樣的流行自動語音識別系統(tǒng)的WER為5.1%，而谷歌的單詞錯誤率為4.9%。人類轉(zhuǎn)錄員的平均單詞錯誤率為 4%;仍然比 自動語音識別 更準(zhǔn)確，并且能夠更好地解釋上下文。盡管自動語音識別的準(zhǔn)確性不斷提高，但僅靠自動語音識別系統(tǒng)并不完美，這表明仍然需要人類轉(zhuǎn)錄員來獲得最可靠的轉(zhuǎn)錄或字幕。 自動語音識別的應(yīng)用 自動語音識別的應(yīng)用在當(dāng)今的現(xiàn)代世界中無處不在。盡管當(dāng)大多數(shù)人想到自動語音識別時，第一個聯(lián)想可能是想到視頻和電視或其他形式的轉(zhuǎn)錄的字幕，但它遠(yuǎn)遠(yuǎn)不止于此。自動語音識別的常見應(yīng)用無處不在，從手機到許多人在家中擁有的數(shù)字和虛擬助手。自動語音識別是日常生活的重要組成部分，比許多人意識到的要多。如今，自動語音識別 的應(yīng)用以某種形式簡化了大多數(shù)人的任務(wù)，無論是轉(zhuǎn)錄和發(fā)送短信的智能手機、遵循命令的虛擬助手還是其他方式。 應(yīng)用 1 可以在大多數(shù)家庭和許多工作場所中找到的自動語音識別的日常應(yīng)用在于虛擬和數(shù)字助理。也許這些虛擬助手中最著名的是：亞馬遜的Alexa，谷歌的谷歌助手，蘋果的Siri和微軟的Cortana。這些數(shù)字助理和其他數(shù)字助理旨在能夠執(zhí)行基本任務(wù)并回答和回答問題。這樣的人工智能系統(tǒng)能夠訪問廣泛的信息和知識數(shù)據(jù)庫，使他們能夠找到各種問題的答案，計算計算，并執(zhí)行打開和關(guān)閉電器等命令。在商業(yè)和工作場所，這些數(shù)字助理可以通過安排和啟動視頻會議和會議、搜索文檔，甚至創(chuàng)建圖表并將數(shù)據(jù)輸入報告來加快辦公任務(wù)并減輕工作量。聊天機器人是另一種常見的用途，可幫助客戶服務(wù)人員解決常見問題和其他基本客戶需求。 應(yīng)用 2 除了Siri等數(shù)字助理之外，智能手機還在各種應(yīng)用程序中利用自動語音識別和語音轉(zhuǎn)文本功能。像Instagram這樣的流行應(yīng)用程序通過允許用戶通過語音命令更改或激活過濾器來整合自動語音識別。自動語音識別是智能手機上每次使用語音轉(zhuǎn)文本不可或缺的一部分，無論是說出您希望短信說出的內(nèi)容，還是告訴瀏覽器或應(yīng)用程序要搜索的內(nèi)容。Instagram和Youtube等社交媒體和內(nèi)容平臺上的字幕也使用自動語音識別為視頻提供自動生成的字幕。 自動語音識別 如何使可訪問性受益？ 女人拿著電話與現(xiàn)在說話和手機屏幕上的麥克風(fēng)圖像。
自動語音識別的應(yīng)用可以幫助聾啞人和聽力障礙者以及視力低下或行動不便的人更容易進(jìn)入技術(shù)和世界。自動語音識別 提高可訪問性的最顯著方法之一是通過電視和電影以及社交媒體內(nèi)容的字幕。通過這種方式，自動語音識別能夠使數(shù)字內(nèi)容更易于訪問和包容，因為聽力損失的人能夠遵循對話，考慮上下文和背景噪音，并總體上更全面地理解和體驗視覺內(nèi)容。自動語音識別 在幫助那些有無障礙需求的人通過電話、短信或電子郵件更好地溝通方面也發(fā)揮著關(guān)鍵作用。
語音轉(zhuǎn)文本功能允許行動不便或視力低下的人指示他們想要包含在電子郵件或短信中的內(nèi)容，然后 自動語音識別 系統(tǒng)為他們輸入。這項技術(shù)允許這些人減輕因必須使用鍵盤實際鍵入這些形式的通信而產(chǎn)生的疲勞或沮喪。聽力損失的人通常很難聽到電話交談，并且由于這一點和可能相關(guān)的焦慮，可能會完全避免打電話。但是，自動語音識別有助于通過InnoCaption等服務(wù)提供準(zhǔn)確的字幕，以便聽力障礙者可以重新獲得獨立撥打電話的信心。

InnoCaption如何使用自動語音識別
InnoCaption使聽力障礙社區(qū)能夠使用速記員和自動語音識別來撥打電話，以提供實時字幕。速記員是訓(xùn)練有素的專業(yè)人員，他們使用速記機以速記方式轉(zhuǎn)錄對話并提供字幕。通過同時提供 自動語音識別 和實時速記員，InnoCaption 將選擇權(quán)交到用戶手中，他們能夠隨著可訪問性需求的變化在字幕方法之間切換。自動語音識別能夠提供準(zhǔn)確和快速的字幕，而無需速記員或其他現(xiàn)場人員在場。為了通過自動語音識別提供一流的字幕，InnoCaption使用多個引擎，并始終如一地設(shè)計專有解決方案以最好地為用戶服務(wù)。通過使用自動語音識別來提供字幕，InnoCaption還能夠為用戶提供英語和西班牙語的字幕。除了實時速記員之外，通過使用自動語音識別，InnoCaption能夠為更廣泛，更多樣化的社區(qū)提供字幕。 自動語音識別 的未來會是什么樣子？ 隨著自動語音識別的不斷改進(jìn)和發(fā)展，這項技術(shù)的未來使用和實施也是如此。數(shù)據(jù)收集和處理提高了準(zhǔn)確性，并繼續(xù)使 自動語音識別 系統(tǒng)能夠更好地處理口音和獨特的語音模式。自動語音識別系統(tǒng)的持續(xù)學(xué)習(xí)表明這種人工智能技術(shù)只會得到進(jìn)一步的使用，專家推測它也將在更多行業(yè)中發(fā)揮更大的作用。自動語音識別在未來使用的一個期望在于醫(yī)療保健領(lǐng)域。許多人預(yù)計，聊天機器人和語音技術(shù)系統(tǒng)將進(jìn)一步整合到醫(yī)療檢查和管理任務(wù)中，在健康檢查中更大程度地取代人類。在數(shù)字助理的帶領(lǐng)下，搜索行為也有望發(fā)生變化并進(jìn)一步依賴語音，并且設(shè)備和搜索引擎上的許多接觸點很可能會轉(zhuǎn)變?yōu)槭章狘c。

四部InnoCaption屏幕手機在城市景觀背景下。