一切都源自于一個(gè)紅包，下午，朋友發(fā)消息給我說(shuō)，讓我領(lǐng)個(gè)紅包。
打開(kāi)后，看到紅包，我不禁笑了。想我**普通話水平等級(jí)測(cè)試一級(jí)乙等的水平，豈會(huì)怕一個(gè)小小的語(yǔ)音口令？
我清了清嗓子，以**的“播音腔”，念了“四十是四十，十四是屎拾”，小程序冷笑了一聲，返回給我了個(gè)“再接再厲，再錄一次”。
我以為是自己沒(méi)說(shuō)好，站起身，氣沉丹田，再次念了一次“四十是四十，十四是屎拾”，旁人紛紛對(duì)我傳來(lái)了異樣的眼光.....然而異樣的眼光也并沒(méi)有什么卵用。。。
我灰溜溜的走出房間，找了一處無(wú)人的地方，一次次的嘗試去讀“四十是四十，十四是屎拾”。然而努力是沒(méi)有結(jié)果的，每次都是無(wú)功而返。
既然無(wú)法搶到紅包，氣急敗壞的我開(kāi)始想，為什么我這么**的普通話，還搶不到紅包？
作為一個(gè)普通話一乙的北方人，如果我都領(lǐng)不了紅包，豈不是只有一甲的播音員們才能搶到？問(wèn)題肯定不在此。于是，我開(kāi)始動(dòng)用我身為程序員的本能，開(kāi)始分析小程序背后的技術(shù)。
終于，我想到了，它之所以能夠做到讀對(duì)口令才能搶到紅包，完全是依賴于背后的一項(xiàng)技術(shù)——“語(yǔ)音識(shí)別”
語(yǔ)音識(shí)別背后有非常多的技術(shù)，我這里盡量簡(jiǎn)單的給你說(shuō)明什么是語(yǔ)音識(shí)別。
首先，用戶在 App 中按下按鈕，錄制語(yǔ)音，然后 App 會(huì)將音頻上傳到后臺(tái)的服務(wù)器，后臺(tái)的服務(wù)器對(duì)聲音進(jìn)行特征提取，傳遞給下個(gè)階段的處理器，這個(gè)時(shí)候，我們的聲音信號(hào)已經(jīng)由聲音信號(hào)轉(zhuǎn)變?yōu)樘幚砗蟮奶卣餍盘?hào)。
然后處理器再通過(guò)接入 “聲學(xué)模型”，來(lái)獲取不同的特征信號(hào)可能**的字詞；再由“語(yǔ)言模型”，實(shí)現(xiàn)對(duì)所有可能字詞的選擇，得出可能的結(jié)果。
**終，經(jīng)過(guò)一系列的處理，我們說(shuō)話的一段語(yǔ)音信號(hào)，就變成了一句話 “你吃飯了么？”
英語(yǔ)流利說(shuō)的語(yǔ)音識(shí)別功能是非常厲害的，就如其廣告中所說(shuō)“會(huì)打分的人工智能英語(yǔ)老師”，英語(yǔ)流利說(shuō)的依仗，便是其比別人更加的”聲學(xué)模型“和”語(yǔ)言模型“
學(xué)員在手機(jī)上錄音，錄音經(jīng)過(guò)上傳，到云端進(jìn)行特征提取，再由“模特聲音訓(xùn)練過(guò)”的“聲學(xué)模型”進(jìn)行處理（這里的模特聲音訓(xùn)練過(guò)非常重要，訓(xùn)練材料的不同會(huì)導(dǎo)致模型的天差地別），聲學(xué)模型處理過(guò)后，文字會(huì)傳遞給語(yǔ)言模型，組合成句。在完成兩處處理后，對(duì)聲音信號(hào)和文字信號(hào)進(jìn)行打分，如果你的準(zhǔn)確率比較高，你就能夠獲得一個(gè)Nice！
語(yǔ)音上傳部分我打了問(wèn)號(hào)，是因?yàn)榱骼f(shuō)本身也有離線打分引擎，所以可能我們的語(yǔ)音沒(méi)有上傳到云端，在本地就直接進(jìn)行處理了。
更細(xì)致的信息你可以到 「英語(yǔ)流利說(shuō)」是如何進(jìn)行比對(duì)評(píng)分的？ - 林暉的回答 - 知乎去看，林暉先生解釋的很細(xì)致。
由于“我要說(shuō)口令”小程序本身的功能要比英語(yǔ)流利說(shuō)更為簡(jiǎn)單一些，不需要進(jìn)行特殊模型訓(xùn)練，可以借助一些云計(jì)算服務(wù)商提供的 API 來(lái)實(shí)現(xiàn)功能。這里，我們拿“阿里云 ET 智能語(yǔ)音交互”服務(wù) 來(lái)舉例。
此處***我個(gè)人針對(duì)“我要說(shuō)口令”小程序的分析，不**其官方架構(gòu)。
小程序在手機(jī)上進(jìn)行錄音，然后將錄音上傳至開(kāi)發(fā)者的服務(wù)器，服務(wù)器上的后臺(tái)程序再將聲音信號(hào)通過(guò) API 傳遞給 阿里云 ET 智能語(yǔ)音交互，并調(diào)用其中的 智能語(yǔ)音識(shí)別接口，接口對(duì)語(yǔ)音信號(hào)進(jìn)行處理后，返回識(shí)別的文字，比如在剛剛那個(gè)紅包中，識(shí)別出來(lái)的文字是“四十是四十是四是屎拾”。開(kāi)發(fā)者的服務(wù)器在受到服務(wù)器傳回的文字后，和發(fā)紅包的人設(shè)置的文字對(duì)比，看看兩個(gè)文字是否相同。如果文字相同，就說(shuō)明讀對(duì)了，用戶就可以拿到紅包；如果文字不同，就要告訴用戶“再接再勵(lì)”了。
當(dāng)然，實(shí)際上在對(duì)比的標(biāo)準(zhǔn)中可能不會(huì)這么簡(jiǎn)單，因?yàn)樵谶@種情況下，聲學(xué)模型和語(yǔ)言模型識(shí)別出來(lái)的文字可能會(huì)非常奇葩，用戶能夠匹配上設(shè)置的文字的可能性就會(huì)非常小，這時(shí)，程序員可能就會(huì)在這方面設(shè)置一個(gè)“冗余度”，如果內(nèi)容中有80%的文字是對(duì)的上，就能拿到紅包。
想到這里，我不禁悲從中來(lái)，由于“聲學(xué)模型”和“語(yǔ)言模型”的性能，計(jì)算我讀的再好，可能也無(wú)法被很完美的識(shí)別出來(lái)。特別是這種幾乎是無(wú)序的內(nèi)容，語(yǔ)言模型根本無(wú)法很好的處理，我總是搶不到紅包也是正常的了。以我的運(yùn)氣，這輩子怕是都搶不到語(yǔ)音紅包了，我還是去群里搶普通運(yùn)氣紅包吧！
不過(guò)，雖然我不能搶紅包，但是我可以去做一個(gè)搶紅包的小程序！有了“阿里云 ET 智能語(yǔ)音交互”，無(wú)需自主建立語(yǔ)音識(shí)別的系統(tǒng)，輕松實(shí)現(xiàn)語(yǔ)音識(shí)別！
轉(zhuǎn)載自云棲社區(qū)
作者：西秦說(shuō)云
蘇州憶信捷信息技術(shù)有限公司為客戶提供軟件開(kāi)發(fā)、app開(kāi)發(fā)、微信開(kāi)發(fā)等定制化軟件服務(wù)。網(wǎng)站: www.yixinjie.cc 聯(lián)系電話:0512-86660338 聯(lián)系地址:蘇州市工業(yè)園區(qū)仁愛(ài)路150號(hào) 南大研究生院A223/A327
真誠(chéng)歡迎大家前來(lái)咨詢，請(qǐng)撥打我們的服務(wù)熱線，謝謝，謝謝您的瀏覽。
