AIPM认知系列第三篇，字数：+，速读需4分钟。
从早期苹果的Siri，到最近国内的智能音箱大战，越来越多AI语音产品走入了大家的生活。
近几天我也在思考，相比已有更落地方案的计算机视觉技术，AI的语音技术在产品应用中的本质是什么？这个思考我也跟一些语音领域的专家探讨过，而其中我个人的理解是：
AI语音技术的本质，通过效率的提升，场景的便捷，重新定义了用户体验。
为什么我这么理解？那我们先来看看语音有哪些天然属性：
提升效率：一分钟字的速度靠打字是无法超越的，所以特定行业，语音的技术可以大大的提升人机的效率。
操作便捷：解放了你的双手，除了一些基本的操作，无需要每个字都操作键盘或点击屏幕了。
学习成本：对于不认字的老人和小孩，可以用语音来进行检索和进行操作，对于不会拼音的人，也可以使用语音识别。
所以，以下AI语音相关的分享，会围绕两个方面：
语音技术：语音识别和语音合成
语音技术应用和未来思考
1.语音技术：语音识别和语音合成
1.1语音识别：ASK
语音识别（AutomaticSpeechRecognition）是以语音为研究对象，通过语音信号处理和模式识别让计算机自动识别人类口述语言。
简单来说，就是让机器可以听得懂人话。
其中比较核心的部分是语音听写：就是将语音信息转化为文字信息。
中文语音听写的技术原理，如下：
说出一段话，比如：「产品经理」，机器收到只是一段声波信号。
进行信号的预处理，如：降噪，消除回音…等。
特征提取，如：说了几个字，音调是什么…等。
通过声学模型匹配，输出“音”：chan2,pin3,jing1,li3。（拼音举例）
通过语言模型处理，最终得到文字：产品经理。
而这里的特征提取，声学模型和语言模型在技术实现上，有两种方法：
传统：隐马尔可夫模型（HMM）
端到端：深度神经网络（DNN）
目前语音识别技术主要是通过DNN实现的，特定场景下最高可以达到97%的识别率。
1.2语音合成：TTS
语音合成（Text-To-Speech）是计算机将自己产生的、或外部输入的文字信息转变为可以听得懂的、流利的汉语口语输出的技术。
简单来说，就是机器讲文字朗读出来。
中文的语音合成技术原理，如下：
先通过规则把一段文字分词，如：我
爱
产品
经理。
把这段文字进行韵律的处理，标出是发什么音。
根据语音库的发音，进行单元的拼接。
最后就可以播放出这段语音了。
目前主要实现是两种方法：
拼接法：把录音的句子切碎成基本单元存储起来，再根据需要拼接起来。
参数法：通过录音提取波形的参数存储起来，早根据参数转化为波形。
拼接法的优点就是更自然，但是缺点是需要大量的录音，和存储。
参数法的优点就是存储小，但是缺点就是不够自然，听起来就是怪怪的机器发音。
另外谷歌发布的WaveNet是基于语音网络使用生成算法制作而成的，相对于以前的拼接法、参数法，在声音表现力上更具优势。
此外，语音合成的技术主要体现在四个方面
表现力：不同年龄，性别特征以及语调，语速的表现，个性化。
音质：声音的清晰度，无杂音
复杂度：减少音库的体积，降低运算量及系统开销。
自然度：音律规则，间隔停顿。
目前的语音合成技术相对比较成熟，进一步优化的同时，大家的重点都放在了表现力上，以符合更多的场景应用，满足不同人对个性化的需求。
举个例子：
前一段时间，我打车时候看到司机师傅使用高德的语音导航，语音合成用的是一个小朋友的声音，我们就聊了起来，司机师傅说他才刚开始拉活，路不熟，他不喜欢郭德纲的声音，话忒多，他用小朋友的声音，一个是语速慢，另外一个是吐字清晰，不会因为听不清楚走错路。
这个就是在不同场景下用户对于表现力的个性化需求，因人而异。
1.3产品应用中涉及的语音相关技术
目前我们用
转载请注明：http://www.0431gb208.com/sjszjzl/1892.html
