语音合成模型介绍 摘要：语音合成主要是指根据文本模拟生成自然语音，可以用来替代人类的语音进行交流，在商务服务、助老助残等领域有较好的应用价值。本文简要阐述语音合成技术的基本流派、神经网络合成语音的基本方法、常见开源项目、商业银行应用案例，以及应用过程中的风险挑战。
浅析知识图谱（Knowledge Graph） 从一开始的Google搜索，到现在的聊天机器人、大数据风控、证券投资、智能医疗、自适应教育、推荐系统，无一不跟知识图谱相关。它在技术领域的热度也在逐年上升。本文以通俗易懂的方式来讲解知识图谱相关的知识、尤其对从零开始搭建知识图谱过程当中需要经历的步骤以及每个阶段需要考虑的问题都给予了比较详细的解释。知识图谱（ Knowledge Graph）的概念由谷歌2012年正式提出，旨在实现更智能的搜索引擎，并且于2013年以后开始在学术界和业界普及。目前，随着智能信息服务应用的不断发展，知识图谱已被广泛应用于。
常规应用系统缓存使用 但是这时候要做数据库的读取操作，缓存的写操作，缓存的同步操作，这与高并发又走到对立面了，当所有的都实时从数据库里面读取，我们可以想象一下数据库的压力是否会很大，会不会是一个高并发的瓶颈。坏处是数据容易丢失。当多线程同时更新数据库，一个将库存改为200，一个将库存改为100，数据库有自己的事务机制，可以保证库存的准确性100，但写入缓存时没有事务的概念，很有可能100先写入200后写入，这样我们命中的缓存就会出现数据不一致的错误。并且缓存的时候，可以进行数据的预整合，因为实时性不高，读取预整合的数据更快。
机器翻译已经走了多远（以及它将去向何方） 我们认为人在回路的AI是翻译质量的关键：好的AI QE让人类译者的生活变得更轻松，他们的反馈改善了向前移动的机器翻译模型。这些在NMT和NLP方面的突破使得Unbabel发布了我们自己的神经框架OpenKiwi（开源质量估计）和COMET（跨语言优化的翻译评估度量），用于测量跨多种语言的机器翻译的准确性和质量。随着在线消费的增加和更多的公司寻求将其产品和服务带入新的市场，全球化的潜力是巨大的。在这篇博文中，我们来看看机器翻译的历程，它目前处于语言技术前沿的状态，以及它改造未来的潜在能力。
我国智能语音市场发展迅速 互联网巨头加快产业布局 从市场格局来看，近年来，智能语音技术的应用需求主要集中在智能家居、智能车载、可穿戴等领域，巨大的消费需求推动着国内智能语音行业的高速发展，也因此吸引国内多家企业纷纷入局，除了科大讯飞、思必驰等专业公司，少数互联网巨头（例如百度、阿里、腾讯等）也加快产业布局。显示，近年来，随着我国人工智能技术的不断发展和进步，智能语音技术方面获得了大量专利，行业也保持着快速发展态势，市场规模发展到2020年达到了155.7亿元，与上一年（约122.3亿元）相比，增长了27.3个百分点；
中国AI语音识别行业需求现状与发展前景分析数据标注准确率提升有利于行业技术升级 从数据标注产业来看，到2019年，数据标注行业市场规模为30.9亿元，到2020年行业市场规模突破36亿元，预计2025年市场规模将突破100亿元，说明我国数据标注行业处于高速发展阶段。其中，高质量、精细化的标注数据直接影响算法的准确性。2019年，语音类数据整体需求规模占比较2018年略有下滑，但仍在40%左右的水平，说明语音类数据在数据标注服务市场中的地位较为重要，市场需求量大。由此可见，在数据底层技术升级的影响下，语音识别技术准确率得到提升，为Al语音识别的商用渗透提供了强大的市场驱动力。
机器学习中评估分类模型性能的10个重要指标 在这篇文章中，我们将学习10个最重要的模型性能度量，这些度量可用于评估分类模型的模型性能。以下是我们将通过示例以相互关联的方式研究的10个指标：AccuracyPrecisionF1 ScorePR Curve一旦我们了解了适当的用法以及如何根据问题陈述来解释这些度量，那么衡量分类模型的强度就不是问题了。我们将使用一个数据集的例子，它有yes和no标签，用于训练逻辑回归模型。这个用例可以是任何分类问题-垃圾邮件检测、癌症预测、损耗率预测、活动目标预测等。我们将在本文需要时参考特殊用例。
视频编解码学习之一：理论基础 在实际的信源和信道编码中，消息的传输并不总是无失真的。通信中对信息的表达分为三个层次：信号，消息，信息。13. 离散信源类型：简单无记忆信源和马尔可夫信源。三维自然场景的对象包括：深度，纹理和亮度信息。数字视频：自然场景空间和时间的数字采样表示。主流的编解码标准的压缩对象都是YUV图像。图像：是人对视觉感知的物质再现。11. 通用 的YUV图像格式。1. 为什么要进行视频压缩？无损压缩（Lossless）(1) 编码器中的关键技术。(2) 编解码中的关键技术。17. Huffman编码。
语音识别技术发展阶段探究 在人工智能飞速发展的今天，语音识别技术成为很多设备的标配，过去五年间，语音识别的需求逐渐爆发。然而，目前语音识别相关的应用及使用场景仍具有局限性，因此，国内外众多企业纷纷开始探索语音识别的新算法新策略。本文中，百分点感知智能实验室从技术发展的角度出发，深入分析了语音识别技术不同发展阶段的模型构建和优化，以及未来发展趋势。
未来十年语音识别技术的发展方向 写在前面本文作者是斯坦福Andrew Ng的博士，比较代表性的工作包括在baidu的Deep speech/Deep speech2、在facebook的wav2letter++等，google scholar引用一万多的大佬，现在在Zoom任职。文中对于未来十年语音识别技术的发展，从research和application两个角度给出了自己的预测。一、Research方向。
关注
