智能機(jī)器人創(chuàng)新實(shí)踐

第五章基于EasyDL的聲控分揀機(jī)器人

125.1語(yǔ)音交互介紹語(yǔ)音交互機(jī)器人語(yǔ)音交互是機(jī)器人人機(jī)交互技術(shù)中最自然的一種方式。目前，具有語(yǔ)音交互能力的移動(dòng)機(jī)器人已經(jīng)開(kāi)始應(yīng)用在醫(yī)院、銀行、景區(qū)等場(chǎng)景中35.2語(yǔ)音識(shí)別案例還包括：語(yǔ)音助手實(shí)時(shí)字幕智能家居自動(dòng)客服大批案例：45.3語(yǔ)音識(shí)別介紹語(yǔ)音識(shí)別（speechrecognition）技術(shù)，也被稱(chēng)為自動(dòng)語(yǔ)音識(shí)別（Automatic

Speech

Recognition,

ASR）。語(yǔ)音識(shí)別技術(shù)所涉及的領(lǐng)域包括：信號(hào)處理、模式識(shí)別、概率論和信息論、發(fā)聲機(jī)理和聽(tīng)覺(jué)機(jī)理、人工智能等等。55.3語(yǔ)音識(shí)別介紹早在計(jì)算機(jī)發(fā)明之前，自動(dòng)語(yǔ)音識(shí)別的設(shè)想就已經(jīng)被提上了議事日程，早期的聲碼器可被視作語(yǔ)音識(shí)別及合成的雛形。聲碼器對(duì)聲音進(jìn)行分析與合成的系統(tǒng)，主要應(yīng)用于合成人類(lèi)語(yǔ)音。65.4語(yǔ)音識(shí)別發(fā)展探索發(fā)展應(yīng)用深度學(xué)習(xí)50年代60年代70~90年代21世紀(jì)7

5.4語(yǔ)音識(shí)別發(fā)展20世紀(jì)50年代，最早的基于電子計(jì)算機(jī)的語(yǔ)音識(shí)別系統(tǒng)是由AT&T貝爾實(shí)驗(yàn)室開(kāi)發(fā)的Audrey語(yǔ)音識(shí)別系統(tǒng)，它能夠識(shí)別10個(gè)英文數(shù)字。其識(shí)別方法是跟蹤語(yǔ)音中的共振峰，該系統(tǒng)得到了98%的正確率。820世紀(jì)60年代，人工神經(jīng)網(wǎng)絡(luò)被引入了語(yǔ)音識(shí)別。這一時(shí)代的兩大突破是線性預(yù)測(cè)編碼LinearPredictiveCoding

(LPC)，及動(dòng)態(tài)時(shí)間調(diào)整DynamicTimeWarp(DTW)技術(shù)。

5.4語(yǔ)音識(shí)別發(fā)展語(yǔ)音識(shí)別技術(shù)的最重大突破是隱含馬爾可夫模型HiddenMarkovModel的應(yīng)用。從Baum提出相關(guān)數(shù)學(xué)推理，經(jīng)過(guò)Rabiner等人的研究，卡內(nèi)基梅隆的李開(kāi)復(fù)最終實(shí)現(xiàn)了第一個(gè)基于隱馬爾科夫模型的大詞匯量語(yǔ)音識(shí)別系統(tǒng)Sphinx。9

5.4語(yǔ)音識(shí)別發(fā)展目前的語(yǔ)音識(shí)別建立在深度學(xué)習(xí)的基礎(chǔ)上，得益于神經(jīng)網(wǎng)絡(luò)對(duì)非線性模型和大數(shù)據(jù)的處理能力,

取得了大量成果。2012年深度神經(jīng)網(wǎng)絡(luò)與HMM相結(jié)合的聲學(xué)模型DNN-HMM在大詞匯量連續(xù)語(yǔ)音識(shí)別(large

vocabulary

continuousspeech

recognition,

LVCSR)中取得成功,

掀起利用深度學(xué)習(xí)進(jìn)行語(yǔ)音識(shí)別的浪潮。10

5.4語(yǔ)音識(shí)別發(fā)展通常一套完整的語(yǔ)音識(shí)別系統(tǒng)應(yīng)該包括預(yù)處理、特征提取、聲學(xué)模型、語(yǔ)言模型以及搜索算法等模塊。115.5語(yǔ)音識(shí)別系統(tǒng)我國(guó)的語(yǔ)音識(shí)別則起步于國(guó)家的“863計(jì)劃”和“973計(jì)劃”，中科院聲學(xué)所等研究所以及頂尖高校嘗試實(shí)現(xiàn)長(zhǎng)時(shí)語(yǔ)音的漢語(yǔ)識(shí)別工作。如今中文語(yǔ)音識(shí)別技術(shù)已經(jīng)達(dá)到了國(guó)際領(lǐng)先水準(zhǔn)。125.6國(guó)內(nèi)發(fā)展情況20152016201720182018清華大學(xué)建立了第一個(gè)開(kāi)源的中文語(yǔ)音數(shù)據(jù)庫(kù)THCHS-30上海交通大學(xué)提出的非常深卷積網(wǎng)絡(luò)提高了噪聲語(yǔ)音識(shí)別的性能百度提出

Cold

Fusion以便于更好地利用語(yǔ)言學(xué)信息進(jìn)行語(yǔ)音識(shí)別科大訊飛提出的深度全序列卷積神經(jīng)網(wǎng)絡(luò)阿里巴巴提出低幀率深度前饋記憶網(wǎng)絡(luò)13語(yǔ)音識(shí)別服務(wù)百度語(yǔ)音微軟小冰科大訊飛5.7語(yǔ)音識(shí)別服務(wù)在本節(jié)中，我們主要介紹如何基于百度EasyDL平臺(tái)實(shí)現(xiàn)語(yǔ)音識(shí)別模型的創(chuàng)建、訓(xùn)練、評(píng)估、調(diào)用，以及調(diào)用百度API實(shí)現(xiàn)語(yǔ)音識(shí)別。145.8EasyDL介紹15創(chuàng)建模型系統(tǒng)評(píng)估訓(xùn)練模型上線模型更具業(yè)務(wù)需求，創(chuàng)建并選擇想要訓(xùn)練的接口類(lèi)型上傳音頻數(shù)據(jù)集，系統(tǒng)自動(dòng)評(píng)估基礎(chǔ)模型的識(shí)別率上傳業(yè)務(wù)文本，一鍵啟動(dòng)模型訓(xùn)練，可迭代訓(xùn)練自