书荒啦文学网 - 历史小说 - 黑科技超级辅助在线阅读 - 第197章 语音识别

第197章 语音识别

    智能音箱的硬件和一些生态内容,都已经搞定了,就差一个智能的软件了。

    要说智能音箱,智能才是他的心脏部位。

    但是智能这个词语,听起来很简单,无非就是两个字,但是做起来却是“蜀道难,难于上青天。”这种感觉。

    就拿那个唤醒词来说吧,林奇决定要把那个唤醒词去掉,可是研究了很久,还没有研究到去掉唤醒词的地步。

    因为在第一步的时候就被束缚了手脚,那就是语音识别。

    近些年来人工智能里面的机器学习发展的很是厉害,尤其是机器学习中的深度学习。

    深度学习利用的是大于3层的神经络来学习,有输入层,输出层,中间还有很多隐藏层。

    只需要把大量的数据过来,输入给写好的程序,运行一段时间之后,就会计算出来一个模型。

    输入的数据越多,运算的次数越多,一般情况下得出来的结果也越好。但是这里面还有一个需要注意的就是不能太依赖于输入的数据了,否则会出现过拟合的现象。

    过拟合就是在给定的数据中,让程序来预测某些结果,它能达到很高的准确性,比如99999,但是到了通用的数据下,这个模型表现的就很差,可能只有的准确性。

    林奇开始的时候也是利用了深度多层神经络来进行训练语音样本的,因为现在市面上最流行的就是种方法。

    不过别的公司能采用这种是因为他们有很多的音频资料,并且都是用户自己上传的一些音频素材,比如深信,月活跃量一度超过10亿人,可想而知,每天用它发语音的有多少人,他能收集到多少的语音片段。

    再比如寻她、搜猫和可大讯飞,他们三家公司都有自己的输入法,每一个人都说自己的语音识别准确率最高,在手机上用这三种输入法的大有人在,当然虽然在一些环境下用语音输入很是麻烦,但是有一些特定的环境还是很不错的。

    所以他们收集到的来自真人的各种场景的语音片段,也是非常丰富的。

    像上面的这些公司他们使用深度神经络来训练语音模型,没有任何问题。

    但是第二智慧科技没有聊天工具,也没有语音输入法,林奇也想过去这些公司买一些数据,用来训练自己的语音识别库,但是思来想去,还是落了下乘。

    第二智慧科技要推出的智能音箱,最主要的一个环节的原料却是从别人那里购买的,虽然没有什么问题,但是林奇总觉得很别扭。

    后来林奇也想过去各大站上面爬一些数据,有生物计算机在后面给自己的大力支撑,爬别人的数据,应该很方便。

    林奇也真的去这么做了,为了n频率,还特意的n了一些速度。就这样爬了一些数据,但是这些数据拿到手里,林奇发现有一个问题,那就是这些数据很多都是录音棚,或者加工后的数据。

    与用户实际生活中,比如在地铁上发的语音,在公交车上发语音,或者在大街上发语音,在家里发语音都不太一样,爬出来的数据很多都没有环境音。

    没有环境音本身其实是好的音频,但是对于做语音识别来说这个就非常不合适了,因为做出来的模型不符合人们正常生活,与实际使用场景不符。

    那就很尴尬了,就好比你说一个人很厉害,可以用剑杀恶龙,在有恶龙的世界里面,他是当之无愧的英雄。

    但是如果他来到了现实生活中,就一事无成。

    无他,只是因为现实生活中没有恶龙来给他杀。一个杀鸡的可能都比他在现实生活中,更容易生存下去。

    最后林奇决定还是自己来搞这个模型,不仅仅语音识别是需要大量的数据,现在所有的涉及到深度学习的都是需要大量的数据来进行训练。

    林奇并不觉得这是绝对正确,就像我们人类一样,比如一个新奇的物种,并没有见过,然后你给他了一张照片,说这是神兽饕餮,然后等他再次看到的时候,他很容易就能认出来,那个是不是神兽饕餮。

    林奇想做的是能通过少量的样本就能训练出来一个不错的模型,这样就可以解放语音的大数据。

    同时一个人上手的时间更短,想想即使一个人口音很重,用了智能语音软件说了几十句话,或者十几句话之后,准确率大大提高,可以堪比用标准的新闻联播主持人那样的普通话说出来的识别率。

    其实在自然语言方面,林奇之前有一些经验,是在创造自然语言编程的时候。

    但是里面设计到的多是语义的一些解析,没有涉及到语音识别。

    林奇相信只要自己能通过第一关卡,那么后面的应该都很简单。

    为了这个目的,林奇疯狂的投入到了开发中。

    林奇把每一个的汉字读音都收集了起来,然后有语料数据的时候,林奇把这个语料做了一个分类。

    一个是标准读音串起来的语音,一个是真实的语音。

    林奇先处理了真实语音,把真实语音分成了环境音和人声。

    接着又拿出来人声和原来的标准读音进行对比,找出来了两者的差异。

    经过不懈的努力,还真的找出来了同一个人在说不同话的时候有一些相同的东西。

    就像不同地方的人有不同地方的口音一样,一个人说话的时候,与标准的普通话有固定的“偏差”。

    找出来了这个“偏差”,林奇非常兴奋,他觉得这个可能是他最近一段时间研究,最大的成果了。

    有那个处于地下四层之下的量子生物计算机的强大后盾,林奇研究出来了这个“偏差”,又基于这个做出来了一套新的语音模型。

    这种新的模型,与市面上的模型都不一样,市面上的模型都是一个固定的,比如用户和b用户安装后得到的都是一样的模型。

    而这个不一样,开始安装的时候都是一样的,但是人们说的话越多,他得到的数据越多,就越精确,并且模型会根据这个人的语音输入而变化,以至于可以达到千人千面,甚至亿人亿面。

    这也是因为第二智慧科技有生物计算机在后面作保证的,如果没有这些功能和存储都很厉害的生物计算机,这是不可能实现的。

    第二智慧科技也有一支团队在做语音识别,不过他们就是按照常规的深度学习来做的建模。

    最近他们遇到了一个问题,找到了林奇这里。