信息技術(shù) 第二冊（五年制高職）課件 9.3.1 語音識別系統(tǒng)

探索智能家居《人工智能》主題九：人工智能語音識別系統(tǒng)目錄contents語音識別系統(tǒng)的定義語音識別系統(tǒng)的原理語音識別系統(tǒng)的工作流程語音識別系統(tǒng)的定義01語音識別（SpeechRecognition）是指用計算機技術(shù)將語音信號轉(zhuǎn)換成文本或者其他形式的輸出，識別語音信號并將其轉(zhuǎn)換為可輸入計算機的數(shù)字信號。語音識別技術(shù)實際上就是一個將聲學(xué)信號轉(zhuǎn)換成語義信息的過程。通常使用基頻、共振峰（Formants）和聲強（時域信號）等特征來描述語音信號。1.

語音識別系統(tǒng)的定義現(xiàn)在的語音識別技術(shù)可以被廣泛應(yīng)用于智能家居、移動設(shè)備、汽車導(dǎo)航等領(lǐng)域。1.

語音識別系統(tǒng)的定義02語音識別系統(tǒng)的原理實現(xiàn)語音識別系統(tǒng)一般包含以下三個部分：2.語音識別系統(tǒng)的原理312語言模型聲學(xué)模型語音識別引擎在聲學(xué)模型中，主要是通過提取語音信號的頻譜特征來構(gòu)建狀態(tài)模型。

頻譜特征是指語音信號在任意時刻的功率譜密度和譜相位變化情況。特征提取完成后，將其輸入到HMM模型中進行訓(xùn)練。在實際應(yīng)用中，需要使用大量的訓(xùn)練樣本，通過機器學(xué)習(xí)算法對模型進行優(yōu)化，以達到高準確度的語音識別效果。2.1聲學(xué)模型語音識別引擎是語音識別系統(tǒng)的核心部分，它負責對聲學(xué)模型提取的語音特征進行解碼，并生成相應(yīng)的文本結(jié)果。語音識別引擎中有兩個主要的組件：前端處理和推理處理。（1）前端處理是通過聲學(xué)模型進行信號特征提取，并將特征序列進一步轉(zhuǎn)換為聲學(xué)特征向量，如梅爾倒譜系數(shù)（MFCC）、線性預(yù)測編碼（LPC）等。（2）推理處理是通過語音識別的算法，用聲學(xué)特征向量計算詞概率，并將詞序列轉(zhuǎn)換為最終的文本結(jié)果。2.2語音識別引擎語言模型是語音識別系統(tǒng)中的另一個重要組成部分。語言模型負責根據(jù)上下文環(huán)境，預(yù)測用戶語音輸入的下一個單詞。語言模型應(yīng)該能夠識別符合語言規(guī)則的語句。在語言模型中，通常使用n-gram語言模型或者神經(jīng)網(wǎng)絡(luò)語言模型來完成文本預(yù)測。ChatGPT屬于一類基于GPT技術(shù)的大語言模型（LargeLanguageModel,LLM）。大語言模型極大地改變了自然語言處理領(lǐng)域的研究范式，越來越多的科技公司為了趕上ChatGPT引發(fā)的時代浪潮，也紛紛給出了自己的大語言模型，包括Google、Microsoft、NVIDA等一系列頂尖科技公司。2.3語言模型03語音識別系統(tǒng)的工作流程數(shù)據(jù)采集

數(shù)據(jù)采集需要采集大量的正常人的語音數(shù)據(jù)，以及噪聲、干擾等不同場景下的語音數(shù)據(jù)，以便于語音識別引擎的訓(xùn)練和調(diào)試。預(yù)處理

預(yù)處理是指對采集到的原始語音信號進行采樣、濾波、分幀、特征提取、噪聲消除等多種處理，以適配語音識別引擎的輸入要求。建模

建模是指在掌握大量的語音數(shù)據(jù)后，采用一定的機器學(xué)習(xí)算法，訓(xùn)練出一個準確的聲學(xué)模型。解碼

解碼是指將采集到的語音信號輸入到