- 语音识别技术
语音识别技术已趋于成熟。语音识别的目标是将人类语音表达的内容转换为机器可读的输入，用于构建机器的“听觉系统”。语音识别技术经历了长达60年的发展。近年来，机器学习和深度神经网络的引入，使得语音识别的准确率提升到足以在实际场景中应用。早在2016年年初，美国麻省理工学院（MIT）主办的知名科技期刊《麻省理工科技评论》评选出了“2016年十大突破技术”，语音识别位列第三，与其他技术一起“到达一个里程碑式的阶段或即将到达这一阶段”。
深度神经网络声学模型的几个重大发展阶段如下：
●2006年，GeoffreyHinton提出深度置信网络（DBN），促进了深度神经网络的研究。
● 2009年，Geoffrey Hinton将深度神经网络应用于声音的声学建模，当时在TIMIT上获得了很好的结果。
2011年底，微软研究院又把深度神经网络技术应用在了大词汇连续识别任务上，大大降低了语音识别的错误率。从此以后，基于深度神经网络声学模型技术的研究变得异常火热。
微软2016年10月发布的Switchboard语音识别测试中，更是取得了5.9%的词错误率，第一次实现了和人类一样的识别水平，这是一个历史性突破。
语音识别整个过程（见图2-8）包含语音信号预处理、声学特征提取、声学和语言模型建模、解码等多个环节。简单来说，声学模型用来模拟发音的概率分布，语言模型用来模拟词语之间的关联关系，而解码阶段就是利用上述两个模型将声音转化为文本。
深度神经网络声学模型主要应用于声学、语言模型建模、解码等各个主要环节，模型主要包括深度神经网络、长短时记忆网络（LSTM）、双向长短时记忆网络（BLSTM）、深度卷积神经网络（DeepCNN）、Residual/Highway网络等模型，具体特点见表2-3。
人工智能与大数据技术导论
40