小数据技术语音识别

与机器进行语音交流，让机器明白你在说什么，这是人们长期以来梦寐以求的事情。语音识别技术就是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的技术。

语音识别技术起源于年，但真正进入消费市场已经是20世纪90年代的事了。目前语音识别有两大发展方向，一是纯机械指令，基于产品定位而设计命令词组，作为高效的辅助工具存在，可以理解成是小数据；一是智能化理解语境，是人工智能的一个分支，与人进行互动交流，并承担部分处理工作，也是目前语音识别发展的主要方向，可以理解成是大数据。

从实际应用来看，两者并不冲突。简单精准的机械指令让工作更为纯粹，没必要做多余的计算动作。而很多智能设备将语音作为“解放双手”的第三类互动形态，就需要对人的语境进行“理解”，相信很多朋友都玩过Siri（苹果手机上的智能语音控制功能）、GoogleNow（谷歌开发的智能语音服务应用）、Cortana（小娜，微软开发的个人智能助理），同时也体验过这些语音助手“会错意”的卖萌行为。

目前主流的语音识别技术是基于统计模式识别的大数据基本理论。一个完整的语音识别系统可大致分为三部分。

（1）语音特征提取：其目的是从语音波形中提取出随时间变化的语音特征序列。

（2）声学模型与模式匹配（识别算法）：声学模型通常将获取的语音特征通过学习算法产生。在识别时将输入的语音特征同声学模型（模式）进行匹配与比较，得到最佳的识别结果。

（3）语言模型与语言处理：语言模型包括由识别语音命令构成的语法网络或由统计方法构成的语言模型，语言处理可以进行语法、语义分析。对小词表语音识别系统，往往不需要语言处理部分。

声学模型是识别系统的底层模型，并且是语音识别系统中最关键的部分。声学模型的目的是提供一种有效的方法以计算语音的特征矢量序列和每个发音模板之间的距离。声学模型的设计和语言发音特点密切相关。声学模型单元大小（字发音模型、半音节模型或音素模型）对语音训练数据量大小、系统识别率，以及灵活性有较大的影响。必须根据不同语言的特点、识别系统词汇量的大小决定识别单元的大小。

语言模型对中、大词汇量的语音识别系统特别重要。当分类发生错误时可以根据语言学模型、语法结构、语义学进行判断纠正，特别是一些同音字则必须通过上下文结构才能确定词义。语言学理论包括语义结构、语法规则、语言的数学描述模型等有关方面。目前比较成功的语言模型通常是采用统计语法的语言模型与基于规则语法结构命令的语言模型。语法结构可以限定不同词之间的相互连接关系，减少了识别系统的搜索空间，这有利于提高系统识别精确性。

语音识别过程实际上是一种认识过程。就像人们听语音时，并不把语音和语言的语法结构、语义结构分开，因为当语音发音模糊时人们可以用这些知识来指导对语言的理解过程，但是对机器来说，识别系统也要利用这些方面的知识，只是如何有效地描述这些语法和语义还有困难：

①小词汇量语音识别系统，通常包括几十个词的语音识别系统；

②中等词汇量的语音识别系统，通常包括几百至上千个词的语音识别系统；

③大词汇量语音识别系统，通常包括几千至几万个词的语音识别系统。这些不同的限制也确定了语音识别系统的困难度。

可见，即便在语音识别的大数据统计模式中，语音识别关键提取的数据其实还是小数据。而且在语音识别中，很多时候我们没有那么多大数据，这时我们又该怎么办呢？

此时要想解决这些问题，基本的思路就是共享，用小数据实现大数据的功能。现在的语音识别基本是这个样子的，整个一套系统不再有那么多复杂的模块，基本是由神经网络负责从语音信号端到说话内容端的学习。那么我们一方面需要将语音的、文本的各种小数据信息集成在一起，放到大数据里一起进行更有效的共享学习；另一方面非监督学习是间接利用语音大数据的有效工具，我们只有利用好这些工具，才能将现阶段所拥有的小数据与大数据结合起来，使小数据到大数据的学习成为可能。