在本章中，我们将学习使用 AI 和 Python 进行语音识别。 言语是成人人际沟通的最基本手段。 语音处理的基本目标是提供人与机器之间的交互。 语音处理系统主要有三项任务 -

• 首先，语音识别允许机器捕捉我们所说的单词，短语和句子
• 其次，自然语言处理使机器能够理解我们所说的话
• 第三，语音合成允许机器说话。

本章重点讲述语音识别，理解人类说话的过程。 请记住，在麦克风的帮助下捕捉语音信号，然后系统才能理解它。

语音识别或自动语音识别(ASR)是 AI 机器人等 AI 项目的关注焦点。 没有 ASR，就不可能想象一个认知机器人与人进行交互。 但是，构建语音识别器并不容易。

开发语音识别系统的困难 开发高质量的语音识别系统确实是一个难题。 语音识别技术的困难可以广泛地表征为如下所讨论的许多维度 -

• 词汇大小

- 词汇大小影响开发 ASR 的难易程度。考虑以下词汇量以便更好地理解。

• 例如，在一个语音菜单系统中，一个小词汇由 2 到 100 个单词组成
• 例如，在数据库检索任务中，中等大小的词汇包含几个 100 到 1000 个单词
• 一个大的词汇由几万个单词组成，如在一般的听写任务中。

• 信道特性 - 信道质量也是一个重要的维度。 例如，人类语音包含全频率范围的高带宽，而电话语音包含频率范围有限的低带宽。 请注意，后者更难。

• 说话模式 - 轻松开发 ASR 还取决于说话模式，即语音是处于孤立词模式还是连接词模式，还是处于连续语音模式。 请注意，连续说话很难辨认。

• 口语风格 - 阅读说话可以采用正式风格，也可以采用自发风格和对话风格。 后者更难以识别。

• 扬声器依赖性 - 语音可以依赖扬声器，扬声器自适应或扬声器独立。 独立发言人是最难建立的。

• 噪音类型

- 噪音是开发 ASR 时需要考虑的另一个因素。 信噪比可以在各种范围内，这取决于观察较少的声学环境与较多的背景噪声 -

• 如果信噪比大于30dB，则认为是高范围
• 如果信噪比在 30dB 到 10db 之间，则认为是中等信噪比
• 如果信噪比小于 10dB，则认为是低范围

• 麦克风特性 - 麦克风的质量可能很好，平均水平或低于平均水平。 此外，嘴和微型电话之间的距离可能会有所不同。 识别系统也应考虑这些因素。

尽管存在这些困难，研究人员在语音的各个方面做了很多工作，例如理解语音信号，说话人以及识别口音。

所以，需要按照以下步骤构建语音识别器 -