了解用于自动语音识别的音频数据的收集过程

自动语音识别系统和 Siri、Alexa 和 Cortana 等虚拟助手已成为我们生活中常见的一部分。 随着它们变得越来越聪明，我们对它们的依赖显着增加。 从开灯到打电话到更换电视频道，我们利用这些智能技术来完成日常任务。

但是，您有没有想过这些语音识别系统是如何工作的？

好吧，这个博客将向您介绍自动语音识别的一些基础知识。 此外，我们将探索它的工作原理以及如何构建像 Siri 这样的功能性虚拟助手。

什么是自动语音识别？

自动语音识别 (ASR) 是一种软件，它使计算机系统能够利用多种人工智能和机器学习算法将人类语音转换为文本。

在转换和分析给定命令后，计算机会为用户提供适当的输出响应。 ASR 于 1962 年首次推出，从那时起，由于 Alexa 和 Siri 等流行应用程序，它一直在不断改进其操作并获得巨大的关注。

您知道自动语音识别也称为语音转文本阅读器吗？ 在此博客中阅读有关它的更多信息！ 

训练 ASR 模型的语音收集过程是什么？

语音收集旨在从多个区域收集多个样本录音，用于提供和训练 ASR 模型。 当收集大型语音和音频数据集并将其提供给其系统时，ASR 系统可提供最高效率。

为了无缝工作，收集的语音数据集必须包含所有目标人口统计、语言、口音和方言。 以下过程展示了如何通过多个步骤训练机器学习模型：

• 从建立人口矩阵开始

  最重要的是收集不同人口统计的数据，例如位置、性别、语言、年龄和口音。 此外，确保捕获各种环境噪音，如街道噪音、候诊室噪音、公共办公室噪音等。

• 收集和转录语音数据

  下一步是根据不同的地理位置收集人类音频和语音样本，以训练您的 ASR 模型。 这是一个重要的步骤，需要人类专家执行长短的单词发音以获得句子的真实感觉，并以不同的口音和方言重复相同的句子。

• 创建单独的测试集

  收集转录文本后，下一步是将其与相应的音频数据配对。 然后，进一步分割数据并包含其中的一条语句。 现在，从分段数据对中，您可以从集合中提取随机数据以进行进一步测试。

• 训练您的 ASR 语言模型

  您的数据集拥有的信息越多，您的 AI 训练模型的性能就越好。 因此，生成您之前录制的文本和语音的多种变体。 使用不同的语音符号来解释相同的句子。

• 评估输出，最后迭代

  最后，测量 ASR 模型的输出以修复其性能。 针对测试集测试模型以确定其效率。 适当地，让您的 ASR 模型参与反馈循环，以生成所需的输出并修复任何差距。