了解用於自動語音識別的音頻數據的收集過程

自動語音識別系統和 Siri、Alexa 和 Cortana 等虛擬助手已成為我們生活中常見的一部分。 隨著它們變得越來越聰明，我們對它們的依賴顯著增加。 從開燈到打電話到更換電視頻道，我們利用這些智能技術來完成日常任務。

但是，您有沒有想過這些語音識別系統是如何工作的？

好吧，這個博客將向您介紹自動語音識別的一些基礎知識。 此外，我們將探索它的工作原理以及如何構建像 Siri 這樣的功能性虛擬助手。

什麼是自動語音識別？

自動語音識別 (ASR) 是一種軟件，它使計算機系統能夠利用多種人工智能和機器學習算法將人類語音轉換為文本。

在轉換和分析給定命令後，計算機會為用戶提供適當的輸出響應。 ASR 於 1962 年首次推出，從那時起，由於 Alexa 和 Siri 等流行應用程序，它一直在不斷改進其操作並獲得巨大的關注。

您知道自動語音識別也稱為語音轉文本閱讀器嗎？ 在此博客中閱讀有關它的更多信息！ 

訓練 ASR 模型的語音收集過程是什麼？

語音收集旨在從多個區域收集多個樣本錄音，用於提供和訓練 ASR 模型。 當收集大型語音和音頻數據集並將其提供給其係統時，ASR 系統可提供最高效率。

為了無縫工作，收集的語音數據集必須包含所有目標人口統計、語言、口音和方言。 以下過程展示瞭如何通過多個步驟訓練機器學習模型：

• 從建立人口矩陣開始

  最重要的是收集不同人口統計的數據，例如位置、性別、語言、年齡和口音。 此外，確保捕獲各種環境噪音，如街道噪音、候診室噪音、公共辦公室噪音等。

• 收集和轉錄語音數據

  下一步是根據不同的地理位置收集人類音頻和語音樣本，以訓練您的 ASR 模型。 這是一個重要的步驟，需要人類專家執行長短的單詞發音以獲得句子的真實感覺，並以不同的口音和方言重複相同的句子。

• 創建單獨的測試集

  收集轉錄文本後，下一步是將其與相應的音頻數據配對。 然後，進一步分割數據並包含其中的一條語句。 現在，從分段數據對中，您可以從集合中提取隨機數據以進行進一步測試。

• 訓練您的 ASR 語言模型

  您的數據集擁有的信息越多，您的 AI 訓練模型的性能就越好。 因此，生成您之前錄製的文本和語音的多種變體。 使用不同的語音符號來解釋相同的句子。

• 評估輸出，最後迭代

  最後，測量 ASR 模型的輸出以修復其性能。 針對測試集測試模型以確定其效率。 適當地，讓您的 ASR 模型參與反饋循環，以生成所需的輸出並修復任何差距。

[另請閱讀： 自動語音識別的全面概述]