智能语音助手调研
- 需求：
- 方案一：百度智能对话AI产品（3个）
- 方案二：阿里AI语音助手
- 方案三：科大讯飞语音助手
- 部署方式：
- 不收费版本：
- 集成方案
- 简单可行方案及开源代码👍👍👍
- 一、Pocketsphinx
- 二、基于PPASR的语音识别
- 三、基于ASRT的语音识别
需求：
像百度等是否有语音智能助手，利用语音来检索知识
可以私有化部署
百度AI市场-智能对话
百度-DuerOS智能语音助理解决方案
- DuerOS智能语音手机助手
- 百度智能对话定制与服务平台UNIT-快速搭建对话机器人
- 百度UNIT私有化部署产品
聊天机器人：图灵聊天机器人青云客聊天机器人
方案二：阿里AI语音助手
阿里智能语音交互（语音识别，语音合成）阿里AI语音助手
方案三：科大讯飞语音助手
科大讯飞-AI电视助手科大讯飞-AI智能客服解决方案
部署方式：
- 云端训练，部署后调用云端API
- 线下部署，需注册为开发者，与平台沟通购买相关服务
- 购买整套服务，平台提供售后
github-开源语音助手
集成方案
语音转文字（语音识别）：语音识别-百度AI开放平台 得调API
离线命令词识别-科大讯飞
文字拆分，生成指令：PaddleHub 分词模型LAC
中文NLP的第一步：分词，基于 PaddleHub 实现，绝对小白友好（学习心得）
- 指令调接口查询
- 返回结果展示
- 语音合成：
离线语音合成-百度AI开放平台百度语音合成快速集成指南-实现步骤
简单可行方案及开源代码👍👍👍
一、Pocketsphinx
- 通过声学信号转化–分析转化为音素–电脑理解的最小声音信号单元.
- 应用场景：要求速度快，内存占用少，准确率不高，基本上属于对照最相似的声音信号输出固定性文字。
- 问题限制：通过增加语素对应的词典，可以实现多语种的切换，和词汇的扩充。语料词典耗费比较高。
import os
from pocketsphinx import AudioFile, get_model_path, get_data_path
model_path = get_model_path()
print(model_path)
data_path = get_data_path()
'''
支持的文件格式:wav
音频文件的解码要求: 16KHz, 单声道
'''
config = {
'verbose': False,
'audio_file': './data/output/1_1.wav',
'buffer_size': 2048,
'no_search': False,
'full_utt': False,
'hmm': os.path.join(model_path, 'en-us'), # 计算模型
'lm': os.path.join(model_path, 'en-us.lm.bin'),#语言模型
'dict': os.path.join(model_path, 'cmudict-en-us.dict')# 词典模型
}
audio = AudioFile(**config)
for phrase in audio:
print(phrase)二、基于PPASR的语音识别
- PPASR使用卷积神经网络，使用了CTC Loss作为损失函数。
- 应用场景：可以做到小范围的前后语义的理解，准确率一般，模型文件大小100M以上。对词语短句的理解比较好。
项目地址：【AIStudio】PPASR语音识别（入门级） 项目Github地址：https://github.com/yeyupiaoling/PPASR
三、基于ASRT的语音识别
- ASRT可以说是在PPASR上的改进，增加了递归神经网络，使模型对整句话的理解有所提升。
- 应用场景：可以前后语义的理解，准确率较好，对词语短句的理解比较好。
- 问题限制：（1）训练过程耗费时间。（2）更需要好的计算资源。（3）需要数据集训练才能更好的训练出效果。
本项目使用Keras、TensorFlow基于深度卷积神经网络和长短时记忆神经网络、注意力机制以及CTC实现。 项目Github地址：https://github.com/nl8590687/ASRT_SpeechRecognition.git
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
