代码之家 › 专栏 › 技术社区 › jdd

如何从语音到文本开始?

speech-recognition language-agnostic

jdd · 技术社区 · 18 年前

我对语音到文本的算法很感兴趣,但我不确定从哪里开始研究它们。我四处搜寻,终于找到了 this ,但那是1996年的事,我敢肯定,从那以后情况有所改善。

编辑:我想做一些跨平台的事情,但目前我的目标是linux。

编辑2:感谢csmba深思熟虑的回复。此时此刻,我主要感兴趣的是能够创建允许自动化或通过语音执行不同命令的应用程序。因此,有限数量的可识别命令能够串在一起。例如,一个音乐播放器接受“Play the album Hello Everything by Squarepusher”之类的命令,或者一个应用程序启动器,允许用户创建语音快捷方式来启动特定的应用程序。

我意识到这是一个相当大的问题,而且我目前还没有达到实现整个识别引擎所需的知识水平,尽管这样做所涉及的技术让我着迷,这也是我想努力去做的事情。很有可能,我最终会拿起一两本关于这个主题的书,在空闲时间研究/玩“简单”的实现。

6 回复 | 直到 18 年前

Adam Bellaire 17 年前

这是一个巨大的问题,我不知道如何开始。。。所以,让我试着给你正确的“术语”,这样你就可以完善你的任务:

首先,要了解语音识别是一门多样而复杂的学科,它有许多不同的应用。人们倾向于将这个领域映射到他们想到的第一件事(通常是计算机理解你在IVR系统中所说的话)。因此,首先让我们将概念划分为以下几类:

人机对话: 处理理解人类所说内容的应用程序,但人类知道他正在与机器和语法这是非常有限的。例如

计算机自动化
专业化:飞行员自动化一些控制装置(噪音是一个巨大的问题)
IVR(交互式语音响应)系统,如Google-411,或者当你打电话给银行时,另一边的计算机会说“说‘服务’来获得客户服务”

人与人之间

呼叫中心:代理客户之间的对话、电话质量、压缩
情报:两人或两人以上之间的无线电/电话/现场对话

现在,从语音到文本不是你应该说的,你关心的。你关心的是解决一个问题。不同的技术被用来解决不同的问题。请参阅概述 here 他们中的一些人。总之,其他方法有语音转录、LVCSR和基于直接的。

另外,你有兴趣成为这项技术的博士吗?你需要一个硕士学位 信号处理 语音引擎 . 像Nuance和IBM这样的公司是大公司,但菲利普斯和其他初创公司也存在。

别误会我的意思,在IBM/Nuance的世界之外,还有很多关于搜索质量的工作要做。引擎通常是非常开放的,有很多算法调整要做,可以极大地影响性能。每个业务应用程序都有不同的约束条件和成本/收益函数,因此您可以进行多年的实验,构建更好的基于语音识别的应用程序。

还有一件事:一般来说,您还希望在堆栈的较低位置具有良好的统计背景。

很好,我们在这里会合。。。那么你对“从语音到文本”就没有兴趣了。这些流行语把你带到了完全转录的世界,一个你不需要去的地方。您应该关注一些更人性化的技术,如语音XML和IVR系统中使用的技术(Nuance是其中最大的参与者)

Derek Park 18 年前

我绝对会推荐你去拿 a book 如果你是这个领域的新手,那就来两个。我没有这方面的经验,所以不能推荐。如果你还在上大学(或者关系密切),你应该看看你的教授是否能推荐你。

Adam Haile 18 年前

对于OS X,请查看以下内容: OS X Speech Technologies

对于Windows,请查看以下内容: Microsoft Speech API

Craig 18 年前

IBMs ViaVoice product . 它有一个很好的ASR(自动语音识别)引擎和一个很好的文本到语音引擎。

网站不是很好,但这是一个嵌入式版本的链接 http://www-01.ibm.com/software/voice/support/

不过,它与平台无关,并且所有内容都通过MVC体系结构工作,使用vxml(一种用于语音目的的xml变体)。

rptony 18 年前

你的目标是什么平台?。有 Microsoft Speech APIs 如果它适用于windows,则可以使用它。

Israel Varea 11 年前

还有 Speech Recognition Service 对于Android。