继推出维吾尔语、粤语识别，近期，捷通华声联合中国民族语文翻译局，推出藏、彝、蒙、朝鲜语语音识别技术，为藏族、彝族、蒙古族、朝鲜族同胞的日常办公、沟通交流提供语音识别服务。 民族语言识别 为企事业单位办公、民众交流提供便利 灵云语音识别技术，已广泛应用于国内的企事业单位会议、公检法、医疗等领域。 通过应用灵云藏、彝、蒙、朝鲜语语音识别技术，少数民族企事业单位可以应用语音识别技术，识别日常工作会议发言，快速生成会议记录;地区公安、检察、法院等政法机构可以应用语音识别来转写办案过程中的讯问发言，快速生成办案笔录;
ASRT 是一套基于深度学习实现的语音识别系统，全称为 Auto Speech Recognition Tool，由 AI 柠檬博主开发并在 GitHub 上开源（GPL 3.0 协议）。本项目声学模型通过采用卷积神经网络（CNN）和连接性时序分类（CTC）方法，使用大量中文语音数据集进行训练，将声音转录为中文拼音，并通过语言模型，将拼音序列转换为中文文本。基于该模型，作者在 Windows 平台上实现了一个基于 ASRT 的语音识别应用软件它同样也在 GitHub 上开源了。
语音识别源于 20 世纪 50 年代早期在贝尔实验室所做的研究。早期语音识别系统仅能识别单个讲话者以及只有约十几个单词的词汇量。现代语音识别系统已经取得了很大进步，可以识别多个讲话者，并且拥有识别多种语言的庞大词汇表。 语音识别的首要部分当然是语音。通过麦克风，语音便从物理声音被转换为电信号，然后通过模数转换器转换为数据。一旦被数字化，就可适用若干种模型，将音频转录为文本。 大多数现代语音识别系统都依赖于隐马尔可夫模型（HMM）。其工作原理为：语音信号在非常短的时间尺度上（比如 10 毫秒）可被近似为静止过程，即一个其统计特性不随时间变化的过程。 许多现代语音识别系统会在 HMM 识别之前使用神经网络，通过特征变换和降维的技术来简化语音信号。也可以使用语音活动检测器（VAD）将音频信号减少到可能仅包含语音的部分。 幸运的是，对于 Python 使用者而言，一些语音识别服务可通过 API 在线使用，且其中大部分也提供了 Python SDK。
首先需要安装 speech 库，直接pip install speech就好了。 speech.input() 这一行代码就可以实现语音识别，第一次使用需要配置一下。
之前写过一篇文章《一种基于插件的QT软件开发架构》，介绍了在QT项目中采用插件架构，增加软件的可维护性和可扩展性，取得了一定的效果。然而，面对越来越多的客户定制需求，我们依然面临着许多挑战。
12 月 11 日，擅长计算机视觉技术解决方案的依图科技在北京公开展示了语音识别领域的最新技术成果，并表示将在近期开放依图语音识别 API 接口以及部分测试数据集。同时，依图科技还宣布，将基于其语音识别技术与微软 Azure、华为推出联合方案平台。
素来被认为是“人脸识别独角兽”——或者更宽泛一点说，“计算机视觉独角兽”的依图科技，公布了他们中文语音识别技术的最新突破，以及令人瞩目的产业布局。
Google日前正式发布旗下云端语音识别API，支持80多种语言，也能辨识正体中文。而新版API加强了长版音频档的转录精准度，也新增支持WAV、Opus和Speex文件格式，且Google也宣称，新版
【新智元导读】微软语音识别技术24年老将黄学东近日被评为“微软全球技术院士”，成功摘下这一微软技术的“桂冠”。 黄学东于1993年加入微软。1995年，黄学东最终把洪小文也拉入微软。黄学东还曾在Bing工作，一直跟随沈向洋博士。接受新智元的专访时，他谈到了去年微软对话语音识别词错率低至5.9%背后的故事。 同时，黄学东认为语音识别的下一个大难关是语义理解，目前看来最有希望的路线是 LSTM + Attention。 黄学东，微软语音识别技术 24 年老将，IEEE/ACM 双科院士，微软深度学习工具包CNT
域名作为互联网上的“门牌号”，如果只能“写”而不能“读”的话，在现今电子设备智能化便携化的趋势下将极其不便。人工智能有两大基础：语音和视觉，智能音箱之所以取代电视机顶盒和路由器成为智能家居的入口，就是因为把握住智能语音这个基础点，倘若域名也能通过语音输入，将极大地推动细小的便携性智能设备（例如手机、手表、VR和AR等）对于互联网应用的语音接入。“语音域名”既要兼容传统域名的同时，又要创新式地开启互联网应用语音交互这一特性，这样，“语音域名”既能通过语音输入来访问互联网应用，也能让人类通过眼睛来轻易辨认以便记忆和认证。
金磊 发自 凹非寺 量子位 | 公众号 QbitAI AI成精，“逼疯”程序员；AI做高数，成绩超过博士；AI写代码，成功调教智能体…… 看多了这种故事，你是不是也觉得，AI太卷了，要上天了。 今天回归本源，讲点不那么玄幻的。AI为什么会进化？底层其实没有秘密，无非是语言、视觉等几大基本功。 其中，语言能力对AI的智能水平有决定性影响。视觉研究怎么“看”，语言研究“听”、“说”和“理解”。 对人类来说，“听”、“说”、“理解”相加，基本等于思维能力，对AI，道理也差不多。 最近，咨询机构Gartner发布《
语音识别技术，也被称为自动语音识别Automatic Speech Recognition，(ASR)，其目标是将人类的语音中的词汇内容转换为计算机可读的输入，例如按键、二进制编码或者字符序列。与说话人识别及说话人确认不同，后者尝试识别或确认发出语音的说话人而非其中所包含的词汇内容。
这一篇开始主要是开源模型的测试，百度paddle有两个模块，paddlehub / paddlespeech都有语音识别模型，这边会拆分两篇来说。 整体感觉，准确度不佳，而且语音识别这块的使用文档写的缺胳膊少腿的； 使用者需要留心各类安装问题。
AI 科技评论按：语音到文字的转换是语音研究领域的重要课题。自引入神经网络的方法以来，语音识别正确率有了长足的进展，也为苹果 Siri、亚马逊 Echo、科大讯飞语音输入法等等实际产品提供了生长的土壤。面对算法识别总还是比人类要差一些的现状，微软刚刚发布一篇博文公布了自己的最新成果，达到人类水平已经不是梦想。AI 科技评论编译如下。 2016年，微软语音和对话研究团队对外公布了一则里程碑性的消息，他们在 Switchboard 数据库的对话语音识别任务中达到了人类的一致性水平，这意味着他们的系统识别对话中文
语音识别调研报告 一、语音识别：(Automatic Speech Recognition,ASR) - 应用：语音识别是为了让计算机理解自然语言。 - 中文语音识别的关键点：1.句到词的分解，词到音节的分解；2.语音的模糊性，如多音字问题；3.词在不同语境中不同；4.环境噪声的印象。 - 处理的核心步骤： - - 1. 音频处理：消除噪声，让信号更能反映语音的本质特征。 - - 2. 声学特征提取：MFCC、Mel等 - - 3. 建立声学模型和语言模型：语音识别由这两种模型组成。 二、语音识
文/CSDN周翔 今年 3 月，雷军在两会的媒体沟通会上表示，“去年年初，小米设立了探索实验室，不久将有重磅级的人工智能产品发布。” 昨日（7 月 26 日）下午，传闻已久小米人工智能产品——小米 AI 音箱终于现身。在发布会上，王川特意提到了小米脑王刚博士带领的 NLP 团队，也就是说小米已经用上了自己的 NLP 技术。但是语音识别方面，小米 AI 音箱仍然采用了第三方的技术。 不过，AI科技大本营发现，就在几天前，小米在 arXiv 上首次提交了一篇端对端的语音识别论文。这篇论文实际上是西工大计算机
最近在研究语音识别方向，看了很多的语音识别的资料和文章，了解了一下语音识别的前世今生，其中包含了很多算法的演变，目前来说最流行的语音识别算法主要是依赖于深度学习的神经网络算法，其中RNN扮演了非常重要的作用，深度学习的应用真正让语音识别达到了商用级别。然后我想动手自己做一个语音识别系统，从GitHub上下载了两个流行的开源项目MASR和ASRT来进行复现，发现语音识别的效果没有写的那么好，其中如果要从零来训练自己的语言模型势必会非常耗时。
https://itunes.apple.com/cn/app/id1243368435
终于有时间更新语音识别系列了，之前的几篇： 语音识别系列︱用python进行音频解析（一） 语音识别系列︱paddlehub的开源语音识别模型测试（二） 语音识别系列︱paddlespeech的开源语音识别模型测试（三）
现实生活中，越来越多的地方需要使用到语音识别，微信里客户的长条语音，游戏里更方便快速的交流，都是语音识别的重要场景。现在为大家强力推荐腾讯云语音识别，一款为企业和开发者提供极具性价比的语音识别服务。腾讯云语音识别服务经微信、腾讯视频、王者荣耀、和平精英等大量内部业务验证；同时也在线上线下大量互联网、金融、教育等领域的外部客户业务场景下成功落地。同时日服务亿级用户，具有海量数据支撑、算法业界领先、支持语种丰富、服务性能稳定、抗噪音能力强、识别准确率高等优势。
通讯、感知与行动是现代人工智能的三个关键能力，在这里我们将根据这些能力/应用对这三个技术领域进行介绍：
中文口语语言处理国际会议ISCSLP为中文语音处理领域的知名国际会议，由国际语音交流协会中文口语处理专业委员会ISCA SIG-CSLP 主办，会上发布成果对中文智能语音的发展具有重要指导意义。
想一下未来50年或者100年，您的孙子或者孙子的孙子，是否还会花费人生中十几年甚至几十年的时间学习一门外语，甚至还学不好？
没天总是不停的开会，会议内容又多又发散！音频文件整理困难，搜索不到终点，占用空间大，不利于分享和传达！
论文题目：CIF: Continuous Integrate-and-Fire for End-to-End Speech Recognition
这家以“图”起家的AI公司，现在宣布修个“语音”双学位，而且出场便是学霸的方式——随手甩出一张摸底考第一名成绩单。
语音识别技术，也被称为自动语音识别Automatic Speech Recognition (ASR)，其目标是将人类的语音中的词汇内容转换为计算机可读的输入，例如按键、二进制编码或者字符序列。与说话人识别及说话人确认不同，后者尝试识别或确认发出语音的说话人而非其中所包含的词汇内容。
腾讯云AI团队联合腾讯优图、AILab、微信智聆、微信智言等实验室，帮助合作伙伴和客户高效打造针对性的解决方案，助力各行各业的数字化和智能化转型。 6月腾讯云神图、语音识别、NLP、语音合成更新全新功能；语音识别优化了核心性能。 腾讯云神图·人体分析 人体关键点识别服务发布，可识别出图片中的人体，并输出14个关键点位置。 人体属性识别服务发布，可以识别图片中人体的年龄、性别、朝向、是否有包、着装等，可有效降低视频搜索成本。 人体分析官网demo已上线，用户可以在官网直观体验人体分析产品功能、效果。 语
【新智元导读】目前最好的语音识别系统采用双向长短时记忆网络（LSTM，LongShort Term Memory），但是，这一系统存在训练复杂度高、解码时延高的问题，尤其在工业界的实时识别系统中很难应用。科大讯飞在今年提出了一种全新的语音识别框架——深度全序列卷积神经网络（DFCNN，Deep Fully Convolutional NeuralNetwork），更适合工业应用。本文是对科大讯飞使用DFCNN应用于语音转写技术的详细解读，其外还包含了语音转写中口语化和篇章级语言模型处理、噪声和远场识别和文本
本文主要针对中文语音识别问题，选用常用的模型进行 离线 demo 搭建及实践说明。
【新智元导读】 微软语音识别研究团队在黄学东的带领下，去年将语音识别的单词错误率降至5.9%，又在最近降至5.1%。在本次专访中，我们讨论了语音识别错误率百分之几的小数点在研究和实际应用上的意义。黄学东认为，从研究角度来说，这个意义十分重大，即便是0.1%的差距，无论是运算量还是时间，耗费都是巨大的。 达到人类水平，超越人类水平，人工智能研究领域的突破性进展。 以上赞誉被给予了微软最近的语音识别研究成果：其语音识别研究团队在黄学东的带领下，去年将语音识别的单词错误率降至5.9%，又在最近降至5.1%。 从研
其实很多的时候都是英文标注的，但是我相信国内的AI领域的博主多了之后就会出现纯中文的备注方案。
预先设置好两种语言，比如中文日文。然后你说中文，谷歌助手就用中文答你，她说日语，谷歌助手就用日语回她。
导读：目前最好的语音识别系统采用双向长短时记忆网络（LSTM，LongShort Term Memory），但是，这一系统存在训练复杂度高、解码时延高的问题，尤其在工业界的实时识别系统中很难应用。科大讯飞在今年提出了一种全新的语音识别框架——深度全序列卷积神经网络（DFCNN，Deep Fully Convolutional NeuralNetwork），更适合工业应用。本文是对科大讯飞使用DFCNN应用于语音转写技术的详细解读，其外还包含了语音转写中口语化和篇章级语言模型处理、噪声和远场识别和文本处理实时
从图中可以看到，语言信号可以表示为一个d T的matrix。其中，d为向量的维度（不同的表示方法，维度不一样）， T为向量的个数。 同理，文本也可以表示为一个V N的matrix，N表示组成text的token（不同的表示方法，token的含义不一样）的个数，V表示token集合的大小（即token去重后的数量）。 语音信号的预处理通常采用重叠的稠密采样机制，通常T >> N。语音识别问题的输入输出都是matrix，输入vector及输出token的选取，不同的算法有不同的方式。整体来看，语音识别问题就是一个Seq2Seq的变换问题
导读：读书，伴随技术人的一生。技术人通过读书增长见闻、精进技术，提升人生境界。4月23日，恰逢世界读书日，腾讯技术工程官方号特别邀请腾讯AI实验室主任、杰出科学家张潼博士，腾讯AI实验室副主任，杰出科
编辑导语 时代拓灵推出VR“全景声”SDK，可应用到硬件、平台、软件等;东软发布RealSight高级分析应用平台，帮助企业实现智能化运营; 智齿客服助力现金巴士，提升客服效率深度服务P2P市场;Te
今年 2 月，中国人工智能公司出门问问联合西北工业大学推出了全球首个面向产品和工业界的端到端语音识别开源工具 ——WeNet。
人工智能技术中，语音识别与图像识别最先实现商业化。不过，照目前情况看来，不管是语音识别还是图像识别，C端似乎都是其商业化进程中难以触碰的一个点。 就在昨天，谷歌的社交软件Allo被爆出将在本周上线，值
近年来，人工智能和人类生活越来越息息相关，人们一直憧憬身边可以出现一个真正的贾维斯，希望有一天计算机真的可以像人一样能听会说，能理解会思考。而实现这一目标的重要前提是计算机能够准确无误的听懂人类的话语，也就是说高度准确的语音识别系统是必不可少的。 作为国内智能语音与人工智能产业的领导者，科大讯飞公司一直引领中文语音识别技术不断进步。去年12月21日，在北京国家会议中心召开的以“AI复始，万物更新”为主题的年度发布会上，科大讯飞提出了以前馈型序列记忆网络(FSMN, Feed-forward Sequenti
【导读】语音识别自半个世纪前诞生以来，一直处于不温不火的状态，直到 2009 年深度学习技术的长足发展才使得语音识别的精度大大提高，虽然还无法进行无限制领域、无限制人群的应用，但也在大多数场景中提供了一种便利高效的沟通方式。本篇文章将从技术和产业两个角度来回顾一下语音识别发展的历程和现状，并分析一些未来趋势，希望能帮助更多年轻技术人员了解语音行业，并能产生兴趣投身于这个行业。
中国语音巨头科大讯飞2014年8月20日在北京召开规模宏大的发布会，展示语音技术最新成果、发布科大讯飞一揽子软硬件产品、启动讯飞超级大脑计划、宣布科大讯飞1亿元创业基金，并对表现突出的讯飞开发者进行了表彰，以鼓励更多开发者进入讯飞生态。科大讯飞董事长刘庆峰在会上做了近两个小时的演讲，并进行了大量的现场演示，为了演示智能语音车载系统，甚至不惜耗费巨资将一辆MPV轿车从场外吊入位于国际会议中心4层的场馆。台上还有一个模拟智能客厅，核心家电一应俱全。这场发布会耗资不少，一定程度表明科大讯飞高调拥抱智能硬件大潮的
下载安装 pocketsphinx 在 Windows 上，可以通过下面地址直接下载编译好的二进制可执行包。 https://cmusphinx.github.io/wiki/download/ 注：下载其中 pocketsphinx 的 5prealpha 版本。 下载后，解压之。 下载模型文件 模型文件下载地址 https://sourceforge.net/projects/cmusphinx/files/Acoustic%20and%20Language%20Models/ 其中 Man
FaceBook （中文名：脸书）近期发布了一个新的翻译模型 Seamless Communication，可实现跨语言实时"无缝"交流。
作为人工智能领域的一个重要方向，语音识别近年来在深度学习（Deep Learning）的推动下取得了重大的突破，为人机语音交互应用的开发奠定了技术基础。语音识别技术演进及实现方法、效果，既是语音识别从业者需要系统掌握的知识，也是智能化应用开发者应当了解的内容。日前，微软研究院首席研究员、《解析深度学习-语音识别实践》第一作者俞栋接受CSDN专访，深入解析了基于深度学习的语音识别的最新技术方向，和微软团队的实践心得，并对微软开源的深度学习工具CNTK的迭代思路做了介绍。 俞栋介绍了deep CNN、LFMMI
智能语音技术已经在生活中随处可见，常见的智能应用助手、语音播报、近年来火热的虚拟数字人，这些都有着智能语音技术的身影。智能语音是由语音识别，语音合成，自然语言处理等诸多技术组成的综合型技术，对开发者要求高，一直是企业应用的难点。
vosk是一个开源语音识别工具，可识别中文，之前介绍过python使用vosk进行中文语音识别，今天记录下FreeSWITCH对接vosk实现实时语音识别。 vosk离线语音识别可参考我之前写的文章：
导语 数据万象内容识别基于深度学习等人工智能技术，与对象存储 COS 深度融合，底层直接调用COS的数据，实现数据存储、流动、处理、识别一体化，提供综合性的云原生 AI 智能识别服务，包含图像理解（解析视频、图像中的场景、物品、动物等）、图像处理（一键抠图、图像修复）、图像质量评估（分析图像视觉质量）、图像搜索（在指定图库中搜索出相同或相似的图片）、人脸识别、文字识别、车辆识别、语音识别、视频分析等多维度能力。用户可使用数据万象提供的自动化工作流或批量任务处理串联业务流程，大幅减少人力成本，缩短产出时间的同
在众多汉字中，同音字（词）是一个特别的存在，正确使用，妙趣横生，使用不当，错误百出。 有网友曾戏谑：再智能的语音识别，遇到同音字（词）都可能“秒变智障”。 有时候，明明是一个温馨感动的时刻，语音识别偏偏剑走偏锋，让你措手不及。 例如： 一下子画风突变。 而语音识别在同音字（词）方面的尴尬还不止于此。 人名“王倩”和“王茜”、小区名“书香苑小区”和“书香院小区”、餐饮词汇“食全食美”和“十全十美”、服装词汇“百衣百顺”和“百依百顺”，乃至日常沟通中的“肌肉”和“鸡肉”、“失忆”和“诗意”、“北麓
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM
