ASR 概述

前言

随着企业加强了与客户的线上沟通，企业越发依赖于虚拟助手、聊天机器人以及其他的语音技术，以实现与客户的高效互动。这几类人工智能，都是依赖于自动语音识别技术，简称为 ASR。ASR 涉及到将语音转换为文本，促使计算机理解人类语言并与人类对话。

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。

ASR 的使用量正在与日俱增。在 Deepgram 与 Opus Research 合作进行的一项最新调查中，向来自北美洲多个行业的400名决策者调查了其公司的 ASR 使用情况。99% 的调查对象表示，他们都有在使用 ASR，主要以手机应用中的语音助手为主，这说明了这项技术的重要性。随着 ASR 技术的不断发展，ASR 逐渐受到企业的青睐，它可以提高企业在虚拟环境中的客户服务质量。

自动语音识别

机器要与人实现对话，那就需要实现三步：听懂（耳）> 理解（脑）> 回答（口），机器要听懂人类说话，就离不开语音识别技术（ASR）。

自动语音识别的工作原理

过去几十年里，由于强大的人工智能和机器学习算法，ASR 的发展速度迅猛。如今，大多 ASR 程序仍使用定向对话，但一些优化版本已开始利用自然语言处理技术，这是人工智能的子领域。

• 定向对话 ASR

  当您打电话给银行时，您可能体验过定向对话。如果是一些大型银行，您通常需要先与计算机互动，然后才联系到相应的人员。计算机可能会要求您简单地回答“是”或“否”来确认身份，或直接读出您的卡号。无论是哪一种情况，您都是通过直接对话式 ASR 来互动。这些 ASR 程序只限于简短的口头回答，因此词汇量有限。这些 ASR 程序适用于简单的客户互动，无法胜任复杂的沟通。

• 基于自然语言处理的 ASR

  NLP 是人工智能的一个子领域。NLP 是指一种教会计算机理解人类语音或自然语言的方法。

  基于NLP语音识别程序的工作原理的简要介绍：

  1. 向 ASR 程序说出一个指令，或提出一个问题。
  2. 该程序将语音转换为频谱图，这是机器可读的音频文件。
  3. 一个声学模型通过消除任何背景噪声（例如，狗叫声或静电）来清理音频文件。
  4. 算法将清理后的音频文件分解成音素。音素是声音的基本组成部分。例如，在英语中，“ch” 和 “t” 是音素。
  5. 算法分析音素的序列，并使用统计概率来确定序列中的单词和句子。
  6. NLP 模型可以将语境应用到句子中，例如，确定说的是 “write” 还是 “right”。
  7. 一旦 ASR 程序理解了说的内容，ASR 程序就可以给予合理的答复，并通过“文本-语音”转换技术来回复。

虽然根据所使用的算法类型，上述流程会发生变化，但这并不妨碍理解 ASR 程序的工作原理。基于 NLP 的 ASR 没有限制，并且能够模拟真实对话，是迄今为止最先进的版本。例如，一个基于 NLP 的 ASR 系统的典型词库可以涵盖 6 万多个单词。评估 ASR 有两个维度，即单词错误率和响应速度；在理想条件下，ASR 系统在理解人类语音方面可以达到接近 99% 的准确率。但是，大多数情况都不满足理想条件。

数据科学家针对关于如何教会 ASR 程序理解人类语音这个主题，持续开展实验。数据科学家正在探索其他可以与完全监督学习互补的方法，这需要收集每个可能会出现的语言例子来训练人工智能，并应用主动学习等技术。与程序互动的人越多，程序自主学习能力就越强。可以想象到，这无疑节省了研究人员的大量时间。

智能ASR语音识别产品优势

• 高准确的识别率：基于先进的深度学习算法，安静环境下近场语音识别，中文普通话字准确率超过96%。
• 灵活的接入方式：支持不同设备端的 SDK 接入，同时也支持 HTTP 协议的 API 接入。
• 低延时识别速度：快速的系统响应，提升用户交互体验。
• 专业的业务领域：针对呼叫、客服场景，进行大量的业务场景优化。
• 智能文本纠错能力：基于行业文本数据，针对用户输入上下文进行智能纠错，根据用户输入停顿，智能化插入标点符号。

自动语音识别的应用

基本上，ASR 应用适用于各行各业。到目前为止，已有很多客户采用了 ASR 技术，以优化客户体验。以下是几个突出的应用：

• **语音虚拟助手：**受欢迎的虚拟助手有很多：谷歌助理、苹果的 Siri、亚马逊 Alexa 和微软的 Cortana。这些应用提高了获取信息的速度和效率，在日常生活中随处可见。未来，虚拟助手市场仍会蓬勃发展。
• 智能客服：提供全渠道接入端口，主要应用在销售服务(售前、售中、 售后)，营销推荐以及数据分析场景中。
• **转录和听写：**许多行业都需要语音转录服务。借助这类应用，可以转录公司会议、销售部门的客户电话、政府调查采访，甚至是记录病人的治疗过程。
• **教育：**ASR 提供了非常有用的教育工具。智能语音在产品营销、课堂管理、教学测评等场景获得了大量应用，不同类型的教育企业适用于不同的解决方案。
• **车载信息娱乐系统：**在汽车行业中，ASR 被广泛应用，以优化车内体验。最新的汽车型号具有识别语音命令功能，例如驾驶员可以发出指令“将温度调高两度”。这些系统旨在将车内环境的管理工作自动化，无需驾驶员腾出方向盘上的手来完成，从而提高安全性。
• **安全：**ASR 可以识别关于“进入某些区域”的语音，提高安全性。
• **无障碍：**ASR 还是一个可以推进无障碍性的工具，未来发展前景广阔。例如，不懂或无法使用技术的人可以在智能手机上发出语音指令；例如，”打电话给Jane”。

上述多个应用适用于各个行业，并且操作过程简单。由此可知，近年来 ASR 技术市场的呈指数级增长，实属正常现象。

ASR 的挑战

导致 ASR 领域出现挑战的几个常见因素：

• 噪声数据

  通常，噪声数据是无意义的数据。但在ASR背景下，噪声数据也有字面意义。在理想环境中，音频文件里语音清晰且没有背景噪声，但现实往往并非如此。音频数据中可能会包含一些无关的噪声，例如有人在背景中咳嗽，有其他人在主扬声器上说话，有建筑噪声，甚至是静电。一个高质量的 ASR 系统能够提取出有用的音频数据，并消除无意义的数据。

• 发言者差异性

  ASR 系统经常需要理解性别、地区、背景各不相同的人的语音。人类语音出现多个方面的差异，比如语言、方言、口音、音高、音量、语速等

  若想让 ASR 系统为所有终端用户提供一致卓越的体验，ASR 系统需要能够理解和解释多种不同的语音。

• 硬件设施质量低

  大多公司都缺乏高质量的录音设备，从而导致音频文件中出现上文提到的噪声数据。

• 同音字和语境障碍

  仅仅是英语一门语言，就存在多个同音词，即发音相同但含义不同的词。ASR系统需要依靠一个高度准确的NLP算法来运行，以根据语境来解释每位发言者的说话内容。

• 单词之间缺少界限

  我们在写字或打字时，会使用空格、标点符号等来分开每个单词和句子。但如果是在说话，单词和句子就会连成一串。在这样的情况下，ASR程序无法将一连串语音分成独立片段。

如何克服自动语音识别中的挑战

ASR 工作的现场环境大多不符合理想条件，会对技术的精确度产生负面影响。破坏理想条件的常见因素有很多，为实施 ASR 的团队带来了挑战。幸运的是，可以采取一些方法来克服这些挑战。

通过个性化的数据采集和标注项目，可以解决部分挑战。可以采集，甚至有机会创建语音数据集，这个数据集更能代表客户的语音差异情况，提高客户服务质量。可以选择自己解决问题，也可以选择和拥有 ASR 经验的第三方数据供应商合作，充分利用其专业知识和工具。合适的数据合作伙伴可以提供特定用例所需的数据，以及与 ASR 应用兼容的数据平台，助力快速启动项目。

目前，很多数据供应商都能提供用于语音识别的成品数据集，但这还不够，他们应该还能根据多元化的发言者群体，以满足独特的数据需求。此外，数据供应商还可以提供工具，可以帮助克服上文中提到的挑战。

参考

• 什么是自动语音识别（ASR）？
• 什么是ASR技术，它改变了呼叫中心什么？