小编新接触语音SDK项目，SDK无UI、底层调用多个C++算法库、提供的是AI服务。语音AI项目，识别效果是至关重要的一环，识别效果评测也是一项测试重点。为了制定一个专业、全面的效果评测的方案，小编学习了相关知识，对方案制定有了初步思路。希望对测试小伙伴有所帮助~~(●—●)
腾讯云推出的智聆口语评测（中文版），可以针对儿童或成人的中文发音，进行自动化打分，评分维度包括发音准确度、流利度、完整度等，与专家打分相似度在95%以上。
作者 | 李梅 编辑 | 陈彩娴 机器翻译是现今人类消除语言障碍、重建巴别塔的新工具。然而，在世界现存的 7000 多种已知语言中，许多低资源语言还未得到足够的关注，尤其是有近一半的语言没有标准的书面系统，这是构建机器翻译工具的一大障碍，所以目前 AI 翻译主要集中在书面语言上。 在利用 AI 推动自然语言翻译这件事上，Meta 一直致力于“No Language Left Behind”（没有一种语言被落下）的目标。 比如汉语方言之一闽南话，现在也有了专属的机器翻译系统，讲闽南话的人可以与讲英语的人进行无
罗超为虎嗅网、爱科技网撰稿，2013年5月23日发表于首页 Chrome浏览器昨日进行了升级，推出了全新的语音搜索功能，允许用户通过语音进行搜索。本次升级面向PC版。iPad和iPhone的Chrome仍停留在旧版本。 更准确的说法是Chrome浏览器终于与语音搜索进行了结合。在去年安卓4.1（果冻豆）中，Google便已推出Google Now，一款类似于Siri的语音助手产品。由于在搜索领域的积累，Google Now表现出比Siri更好的语言识别和搜索效果。Google Now是系统层面的一款应用。定
“结构清晰，主次分明”，用解构的方式去理解一款产品，这才是人工智能从业者思考的专业化表现。
选自Baidu.Research 作者：Chao Li、Ajay Kannan 和 Zhenyao Zhu 机器之心编译 参与：吴攀 对话常常涉及到多个说话人，在这样的场景中，机器需要具备识别不同说话人的能力才能发挥更大的价值。近日，百度的一篇论文提出一种新的端到端的基于神经网络的说话人识别系统 Deep Speaker，实验表明该系统显著优于之前的基于 DNN 的 i-vector 方法。今天早些时候，百度发布了一篇技术博客对这项研究进行了解读，机器之心对本文进行了编译介绍，论文原文请访问：https:/
论文作者：Dario Amodei , Rishita Anubhai , Eric Battenberg , Carl Case , Jared Casper , Bryan Catanzaro , JingDong Chen , Mike Chrzanowski Baidu USA, Inc., Adam Coates , Greg Diamos Baidu USA, Inc., Erich Elsen Baidu USA, Inc., Jesse Engel , Linxi Fan , Christo
WenetSpeech数据集 包含了10000+小时的普通话语音数据集，所有数据均来自 YouTube 和 Podcast。采用光学字符识别(OCR)和自动语音识别(ASR)技术分别标记每个YouTube和Podcast录音。为了提高语料库的质量，WenetSpeech使用了一种新颖的端到端标签错误检测方法来进一步验证和过滤数据。
近年来，随着国家“书香型社会”建设政策的出台，公众的阅读需求正在逐年增加，各类读书产品和读书活动，也如同雨后春笋般涌现，人们的阅读体验日益得到丰富。比如，昨天世界读书日举行的“不如大声读书”活动，就通过线上直播与线下共读的方式，让读者们以书会友沟通交流、彼此链接，帮助人们在日益碎片化、快节奏的生活之外，找到内心的安住。
日前，以色列3D成像公司Mantis Vision宣布，其已收购以色列AI初创公司BrainVu。MantisVision创办于以色列，主要提供先进的3D内容捕捉和分享技术，包括用于智能手机、VR/AR设备、专业扫描摄像头和实况3D体三维工作室的3D摄像头。据悉，此次收购是为创建更好的MR 3D沉浸式体验。
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
今天，知晓程序（微信号 zxcx0101）给大家推荐一款「普通话学习评分」小程序，它使用专业的普通话评分系统，你可以录音让它为自己的普通话打分。
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
【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
随着互联网的发展越来越好，很多自媒体大咖都纷纷转型做短视频项目，而制作短视频最令人头痛的就是配音问题。很多小伙伴不想自己配音，于是就找了语音合成的工具进行AI配音，这种语音合成的方式不仅能提高做视频的效率，甚至比人工语音的效果还要好。那么语音合成平台哪个好？
l多模态富集可以增强各种领域的学习，如字母和词汇习得、阅读、数学、音乐和空间导航。
“没想到我的中文语音测评分数竟然还没有英文高，看来我要好好练习一下自己的普通话发音了。” 1月9日，在腾讯2019微信公开课PRO展区，智聆口语评测体验现场受到参会者的“团宠”，黄色的屏幕前围满了跃跃欲试的参会者，都想测试下自己的中英文发音水平。“这是我第一次体验AI口语评测。之前觉得只有参加那种专业口语测评考试才有机会体验到，现在通过微信小程序就很简单的完成了。而且，单词、句子、段落、自由说、情景对话等评测模式一应俱全，还有不同维度的打分，对英语口语训练挺有帮助。”来自深圳的孙小姐在微信小程序上
AI 科技评论按：小米近期发布了自己的 AI 音箱，加入了智能家居的战局。正当我们觉得小米会不会只是蹭“人工智能”热点的时候，小米的这篇论文证明了自己真的是把人工智能作为一件严肃的公司业务来做。请允许
机器之心原创 作者：蛋酱 他们用 AI 帮助千千万万个「丁真」学习普通话，走出大山，走向更好的未来。 「我的家在四川甘孜州理塘县，就住在格聂雪山脚下。在我们村庄，每天推开门就能看见格聂雪山。这就是我的世界……」 伴随着「丁真」的名字火遍全国，理塘也越来越为人所熟知。 图片来源：理塘县人民政府 雪山、草原、冰川、寺庙、白塔…… 这里有着如画的风景，无愧于它「天空之城」的称号。但受制于交通、地理、海拔等因素，不少生活在山区的儿童仍然缺乏与外界的连接。部分地区的素养教育资源分配不均匀，且网络信息良莠不齐，很多山
首先为大家介绍一下培训机构的运营框架。首先是优质的教育内容，培训要有核心的内容。有了核心内容后，就要有在线教育平台。有了平台后需要招生，就涉及到营销。有了内容、平台、学生，就要开始教学，这时就涉及到教学服务。接下来我会从平台的搭建、营销、教学这三个方面，来分享这块的解决方案。
金磊 发自 凹非寺 量子位 | 公众号 QbitAI 这，或许是现在跟Siri交流最潮的方式了—— 只需要动动嘴皮子，就能让它under你的control。 没错，就是不需要出任何声音的那种。 这就是来自康奈尔华人团队的最新研究成果 SpeeChin，无声语音识别。 像这样： 在没有声音的情况下，你能猜出来他在说什么吗（文末揭晓答案 ）？ 但在SpeeChin的加持下，现在的Siri、Alexa等就已经可以识别，而且还支持普通话和英文！ 是有种“此时无声胜似有声”的感觉了。 不说话，怎么控制语音助手？
作为一个烧掉了数百亿美元、背靠1,750亿参数大模型的超大型语言生成模型，ChatGPT极致的自然语言处理能力生成的高质量结果令人耳目一新，也让人工智能的发展终于实现了阶跃式的突破。
MASR是一个基于端到端的深度神经网络的中文普通话语音识别项目，本项目是基于masr 进行开发的。
原创2015-04-02罗超 去年今日，一款名为“Typany”的智能输入环红遍网络，不少人都信以为真，成为互联网巨头借势愚人节营销的经典案例。最后这款能够彻底改变我们输入方式的产品并未成为事实，搜狗发布了一款名为“糖猫”的儿童手表，变相地进入了智能可穿戴设备领域。今年，搜狗又发布了一款名为“智齿”的概念产品，其功能更是让人脑洞大开。那么它究竟是不是YY呢？ 这款名为“智”齿的设备将被植入口腔，主要功能有4个。1、全新人体植入技术，智能矫正发音；2、方言词库，改善普通话不标准状况；3、提高说话流畅度，表达
知乎上有很多关于「如何判断女朋友是否生气」之类的问题，有人回答：字越少，事越大；还有人说：真生气，一个月不联系；假生气，会撒娇说「我生气了」。
本文介绍了语音合成系统的评测方法和指标，包括发音准确性、韵律准确性、字典覆盖度、字词清晰度、韵律平滑度、自然度、无意识错误、声音属性、声音相似度、音频质量、生成语音的清晰度、听众的接受度、发音和韵律等。同时，还介绍了一种基于主观评测、客观评测的评测方法，包括MOS、错误检测、语音识别、声学模型、发音和韵律等评测指标。
今年八月，两篇背靠背《自然》文章展示了脑机接口在语言恢复方面的强大能力，单现有的语言脑机接口技术多是为「英文等字母语言」体系构建而成，针对「汉字等非字母体系」的语言脑机接口系统研究仍是空白。
先进神经芯片中心默罕默德·萨万教授团队，自然语言处理实验室张岳教授团队和朱君明教授团队联合发布了他们最新的研究结果：“A high-performance brain-sentence communication designed for logosyllabic language”.该研究实现脑机接口全谱汉语解码，一定程度弥补了国际上汉语解码脑机接口技术的空白。
ASR 是自动语音识别（Automatic Speech Recognition）的缩写，是一种将人的语音转换为文本的技术。这项技术涉及声学、语音学、语言学、数字信号处理理论、信息论、计算机科学等多个学科。ASR 系统的性能受到识别词汇表的大小和语音的复杂性、语音信号的质量、单个说话人或多个说话人以及硬件等因素的影响。
到目前为止，虽然机器翻译无法完全做到「信、达、雅」，但翻译结果的准确性对于一般应用场景来说已经足够。
场景描述：在全民抗击疫情时期，做好全面的防护是重中之重。电梯按键因为必须接触使用等原因，具有很高的潜在感染传播风险。为此，一家科技公司开发了「无接触式」方案，用语音控制来完成对电梯的呼叫和使用。
场景描述：利用 AI 技术判断一个人的情绪通常有两种途径，一种是通过面部表情，另一种是通过语音。前者已经比较成熟，而语音识别情感方面的研究，正在快速发展。近期，一些科研团队提出了新的方法，来更准确地识别用户声音中的情绪。
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。
这篇文章介绍了WaveNet，一种原始音频波形的深度生成模型。我们展示了WaveNets能够生成模仿任何人类语音的语音，并且听起来比现有的最佳文本语音系统更自然，与人类表现的差距缩小了50％以上。
接口：https://console.cloud.tencent.com/api/explorer?Product=asr&Version=2019-06-14&Action=CreateRecTas
哈喽，大家好，我是小马，这两天在研究文本转音的功能，有时候担心自己的普通话不标准，比方说要录制一个视频，即兴讲可能会卡壳，这个时候我们就可以先准备好文本，然后再利用人工智能来生成音频，下面就分享下我的研究成果吧！
内容提要：今年的「双 11」，似乎比往年来得更早一些。而每年剁手党们狂欢的背后，离不开技术力量的支持。今年，阿里旗下的速卖通就赶在「双 11」之前，推出了多语言实时翻译服务，方便全球的消费者们一起来「剁手」。
“未来人工智能要进一步发展的话，就需从脑科学得到启发，包括机器学习过程，怎么从脑启发的这个概念来设计新的计算模式，新的类似人脑的神经元结构的器件、芯片，甚至是机器人”。
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。
编者按：Google的DeepMind研究实验室昨天公布了其在语音合成领域的最新成果——WaveNet，一种原始音频波形深度生成模型，能够模仿人类的声音，生成的原始音频质量优于目前Google采用的两种最优文本-语音模型Parameric TTS与Concatenative TTS。 WaveNets是一种卷积神经网络，能够模拟任意一种人类声音，生成的语音听起来比现存的最优文本-语音系统更为自然，将模拟生成的语音与人类声音之间的差异降低了50%以上。 我们也将证明，同一种网络能够合成其他音频信号，如音乐，并
DeepSpeech是国内百度推出的语音识别框架，目前已经出来第三版了。不过目前网上公开的代码都还是属于第二版的。
在对用户的指令理解和执行上，Bixby真正做到了三星所宣称的“能说会看懂你心”。 2017年11月21日，北京，三星人工智能平台Bixby中文（普通话）版在北京亦创国际会展中心正式发布。 与市面上其他语音助手截然不同，Bixby包含了语音、视觉、主页和提醒四大功能，带给用户不同于以往的人工智能多模交互体验。Bixby可以实现应用功能的广泛覆盖，不但支持电话、相册等原生应用，还支持多个第三方应用。 同时Bixby具备情景感知能力，可以理解当前使用环境、应用状态，随时唤醒，即可准确的执行下一步的操作；另外，Bi
ta不仅颜值高、接地气，能说一口流利的普通话、合肥话以及英语、德语、法语等多国语言，还能及时预警各类电信网络诈骗的作案手法和防范技巧。
语音合成（Text To Speech，TTS）技术将文本转化为声音，目前广泛应用于语音助手、智能音箱、地图导航等场景。TTS的实现涉及到语言学、语音学的诸多复杂知识，因合成技术的区别，不同的TTS系统在准确性、自然度、清晰度、还原度等方面也有着不一样的表现，如何从多维度综合评价TTS系统质量成了TTS测试人员的一大挑战。针对TTS前端、后端的存在的问题，选取TTS评测指标，制定各指标评测方法，形成了一套系统的TTS评测方案。
向Cozmo发出多个语音命令，并观察他按顺序执行所有这些命令：高度可定制，您可以轻松添加新命令。识别英语，意大利语，法语，荷兰语，但添加新语言非常容易！（同样支持中文普通话！！！）
.https://console.cloud.tencent.com/api/explorer?Product=asr&Version=2019-06-14&Action=DescribeTaskSt
如何能够快速地提取这些信息？这款智能的文字识别小程序，可以帮你识别图片中的文字，解放你的双手。
机器之心原创 作者：吴昕 如若问谁最有希望在中国实现智慧涌现，十多年前科大讯飞成立时的那个回答依旧铿锵有力：要么率先燎原，要么率先熄灭。 历时 5 个月、100 多天，5 月 6 日下午 2 点，科大讯飞「星火」认知大模型如约而至。 发布会独具匠心，亮点一分为二：「1」 + 「N」。 上半场围绕「1」，聚焦「星火」通用能力展示。无论是挖坑设雷还是烧脑为难，「星火」应对自如，会场不时响起掌声和笑声。 下半场由「1」生「N」，旗下首批获「星火」加持的产品矩阵登台亮相。从教育、办公、车载到虚拟人，一次次人
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
对象存储
实时音视频
即时通信 IM
