【腾讯TVP—AI语音语义·实践全解析】摘要

一、卢鲤 微信智聆负责人 分享《语音识别理论和实践》

1、语音识别发展

1.1 传统Hybrid系统：从声音片段到发音单元的映射

具有明显层次结构，声学模型–词典–语言模型–解码器，70%性能都是由声学模型决定。
声学模型：从声音片段到发音单元的映射。具有实现HMM-GMM声学模型表示方法；混合高斯模型根据不同权重混合可以近似任何模型；
2010-至今，和深度学习联姻：一是硬件设施发展提供了基础，二是互联网音频数据越来越多，三是深度学习在语音识别上的应用。
DNN比GMM性能提高了20%，TDNN上下文，LSTM提高相对15%，
2017年nlp出现上下文建模Transformer模型，比LSTM再次提高10%，本质原因是引入注意力机制

1.2 端到端系统：输入声音输出文字

门槛低、需要数据量大
CTC、LAS、RNN-T
encode-decode，输入第一字预测第二字，第二个字的embedding和前面的embedding一起预测

1.3 小结

Hybrid 系统使用灵活，拟合力弱
端到端数据拟合力强，灵活度低

2、微信智聆平台

腾讯自主研发语音技术品牌
专注于语音识别，语音合成，声纹认证等语音人工智能技术的研发

2.1 服务对象

一天请求量30亿次
C端