一区二区三区三上|欧美在线视频五区|国产午夜无码在线观看视频|亚洲国产裸体网站|无码成年人影视|亚洲AV亚洲AV|成人开心激情五月|欧美性爱内射视频|超碰人人干人人上|一区二区无码三区亚洲人区久久精品

0
  • 聊天消息
  • 系統(tǒng)消息
  • 評論與回復(fù)
登錄后你可以
  • 下載海量資料
  • 學(xué)習(xí)在線課程
  • 觀看技術(shù)視頻
  • 寫文章/發(fā)帖/加入社區(qū)
會員中心
創(chuàng)作中心

完善資料讓更多小伙伴認識你,還能領(lǐng)取20積分哦,立即完善>

3天內(nèi)不再提示

探索自動語音識別技術(shù)的獨特應(yīng)用

星星科技指導(dǎo)員 ? 來源:NVIDIA ? 作者:David Taubenheim ? 2022-10-11 09:55 ? 次閱讀
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

自動語音識別( ASR )正在成為日常生活的一部分,從與數(shù)字助理交互到聽寫文本信息。由于以下方面的最新進展, ASR 研究繼續(xù)取得進展:

ASR 為多個架構(gòu)建模以滿足需求

在特定行業(yè)的行話、語言、口音和方言方面具有定制靈活性

云、預(yù)部署或混合部署選項

這篇文章首先介紹了常見的 ASR 應(yīng)用程序,然后介紹了兩個初創(chuàng)公司,他們正在探索 ASR 作為核心產(chǎn)品功能的獨特應(yīng)用。

語音識別系統(tǒng)的工作原理

自動語音識別 或語音識別,是計算機系統(tǒng)從音頻中破譯口語單詞和短語并將其轉(zhuǎn)錄成書面文本的能力。開發(fā)人員也可以將 ASR 稱為語音到文本,不要與文本到語音( TTS )混淆。

ASR 系統(tǒng)的文本輸出可能是語音 AI 接口的最終產(chǎn)品,或 會話人工智能 系統(tǒng)可能會消耗文本。

常見 ASR 應(yīng)用

ASR 已經(jīng)成為新型交互式產(chǎn)品和服務(wù)的網(wǎng)關(guān)。即使現(xiàn)在,您也可以考慮使用下面詳細介紹的用例的品牌系統(tǒng):

現(xiàn)場字幕和轉(zhuǎn)錄

實時字幕和轉(zhuǎn)錄是兄弟。兩者之間的主要區(qū)別是字幕產(chǎn)生字幕 根據(jù)需要,為流媒體電影等視頻節(jié)目直播。相比之下,轉(zhuǎn)錄可以在現(xiàn)場或批處理模式下進行,其中錄制的音頻片段的轉(zhuǎn)錄速度比實時快幾個數(shù)量級。

虛擬助理和聊天機器人

虛擬助手和聊天機器人與人們互動,既提供幫助,也提供娛樂。他們可以從用戶輸入的文本或 ASR 系統(tǒng)接收基于文本的輸入,因為 ASR 系統(tǒng)識別并輸出用戶的單詞。

助手和機器人需要足夠快地向用戶發(fā)出響應(yīng),因此處理延遲是不可察覺的。響應(yīng)可能是純文本、合成語音或圖像。

語音命令和聽寫

語音命令和聽寫系統(tǒng)是社交媒體平臺和醫(yī)療行業(yè)使用的常見 ASR 應(yīng)用。

為了提供一個社交媒體示例,在移動設(shè)備上錄制視頻之前,用戶可能會發(fā)出語音命令以激活美容過濾器:“給我紫色頭發(fā)”。該社交網(wǎng)絡(luò)應(yīng)用程序涉及一個支持 ASR 的子系統(tǒng),該子系統(tǒng)以命令的形式接收用戶的話語,同時應(yīng)用程序同時處理攝像機輸入并應(yīng)用過濾器進行屏幕顯示。

聽寫系統(tǒng)存儲語音中的文本,擴展了 語音人工智能系統(tǒng) 超越命令。為了提供醫(yī)療保健行業(yè)的一個例子,醫(yī)生口述包含醫(yī)學(xué)術(shù)語和名稱的語音注釋。準(zhǔn)確的文本輸出可以添加到患者電子病歷中的就診摘要中。

獨特的 ASR 應(yīng)用

除了這些常見用例之外,研究人員和企業(yè)家正在探索各種獨特的 ASR 應(yīng)用。以下兩個初創(chuàng)公司正在開發(fā)以新穎方式使用該技術(shù)的產(chǎn)品。

互動學(xué)習(xí): Tarteel AI

ASR 的創(chuàng)造性應(yīng)用開始出現(xiàn)在教育材料中,特別是以互動學(xué)習(xí)的形式出現(xiàn)在兒童和成人中。

挑戰(zhàn)和解決辦法

雖然應(yīng)用程序現(xiàn)在運行順利,但 Tarteel 面臨著一系列艱難的初始挑戰(zhàn)。首先,古蘭經(jīng)阿拉伯語沒有合適的 ASR 模型,最初迫使塔特爾嘗試通用 ASR 模型。

Tarteel Anas-Abou Allaban 的聯(lián)合創(chuàng)始人兼首席執(zhí)行官說:“我們從設(shè)備上的語音人工智能框架開始,就像智能手機一樣,但它們的設(shè)計更多是為了命令和短句,而不是精確的背誦?!??!八鼈円膊皇巧a(chǎn)級別的工具,甚至不接近?!?/p>

為了克服這一挑戰(zhàn), Tarteel 構(gòu)建了一個自定義數(shù)據(jù)集來完善現(xiàn)有的 ASR 模型,以滿足應(yīng)用程序的性能目標(biāo)。然后,在他們的下一個原型中, ASR 模型確實以較低的字錯誤率( WER )運行,但仍不能滿足應(yīng)用程序的實際精度和延遲要求。

阿拉班指出,他在一些電話會議記錄中看到了 10-15% 的正確率,但在古蘭經(jīng)研究中看到高正確率是另一回事。他說,應(yīng)用程序中超過 300 毫秒的處理延遲“變得非常煩人”。

Tarteel 通過調(diào)整其在 NVIDIA NeMo 框架中的 ASR 模型并在使用 Riva 在 Triton 推理服務(wù)器上部署之前使用 TensorRT 進一步優(yōu)化其延遲來應(yīng)對這些挑戰(zhàn)。

數(shù)字人類服務(wù):Ex-human

創(chuàng)業(yè)公司 Ex human 正在創(chuàng)造超現(xiàn)實的數(shù)字人 與模擬人(你和我)互動。他們目前的重點是為娛樂利基開發(fā) B2B 數(shù)字人類服務(wù),使之能夠創(chuàng)建具有獨特個性、知識和現(xiàn)實說話聲音的聊天機器人或游戲角色。

在公司 Botify AI 應(yīng)用 ,人工智能實體包括名人,通過口頭和圖形交互與用戶互動,無論您是在智能手機聊天窗口中打字還是使用語音。 NVIDIA Riva 自動語音識別為數(shù)字人類的自然語言處理子系統(tǒng)提供文本輸入,作為大型語言模型( LLM )的一部分。

為了使虛擬交互可信,需要精確和快速的 ASR 。由于 LLM 是計算密集型的,并且需要大量的處理資源,因此對于交互來說,它們可能運行得太慢。

例如, Botify AI 應(yīng)用最先進的 TTS 來產(chǎn)生語音音頻響應(yīng),進而使用另一種 AI 模型驅(qū)動面部動畫。該團隊觀察到,當(dāng)響應(yīng)的周轉(zhuǎn)時間短于約三分之一秒時,機器人與用戶的可信交互處于最佳狀態(tài)。

挑戰(zhàn)和解決辦法

雖然 Botify 人工智能正在努力彌合人工智能生成的真實視頻與真實人類之間的差距,但 Ex-human 團隊對其客戶行為數(shù)據(jù)的分析感到驚訝?!八麄冋诖蛟熳约旱男聞勇宋铮盓x-human 的創(chuàng)始人兼首席執(zhí)行官阿泰姆·羅迪切夫( Artem Rodichev )說。

通過使用為 Botify AI 生態(tài)系統(tǒng)微調(diào)的 ASR 模型,用戶可以與自己喜愛的個性進行交流或創(chuàng)建自己的個性。在上傳自定義人臉的背景下,構(gòu)建新動畫角色的令人驚訝的模式出現(xiàn)了,通過自定義角色將對話帶入生活。 Rodichev 解釋說,他的團隊需要快速調(diào)整他們的人工智能模型,以處理例如在風(fēng)格上只是一個點或一條線的嘴。

Rodichev 和他的團隊通過仔細選擇工具和 SDK 以及評估并行處理的機會,克服了 Ex-human 架構(gòu)中的許多挑戰(zhàn)。 Rodichev 警告說:“由于延遲非常重要,我們使用 NVIDIA TensorRT 優(yōu)化了 ASR 模型和其他模型,并依賴于 Triton 推理服務(wù)器?!?/p>

Botify AI 用戶是否準(zhǔn)備好與數(shù)字人類而不是模擬人類互動?數(shù)據(jù)顯示,用戶平均每天花 40 分鐘與 Botify 人工智能數(shù)字人在一起,在這段時間內(nèi)發(fā)送他們最喜歡的數(shù)百條信息。

開始使用 ASR

您可以開始在自己的設(shè)計和項目中包括 ASR 功能,從免提語音命令到實時轉(zhuǎn)錄。 Riva 等高級 SDK 在世界級的準(zhǔn)確性、速度、延遲和易集成性方面表現(xiàn)出高性能,所有這些都與您的新想法一致。

關(guān)于作者

David Taubenheim 是 NVIDIA Inception 項目的高級解決方案架構(gòu)師,該項目是初創(chuàng)企業(yè)的加速器。他目前的技術(shù)重點領(lǐng)域是加速計算和對話 AI 使能器。 David 擁有國立技術(shù)大學(xué)的電氣工程碩士學(xué)位和伊利諾伊大學(xué)香檳分校的電氣工程學(xué)士學(xué)位。

審核編輯:郭婷

聲明:本文內(nèi)容及配圖由入駐作者撰寫或者入駐合作網(wǎng)站授權(quán)轉(zhuǎn)載。文章觀點僅代表作者本人,不代表電子發(fā)燒友網(wǎng)立場。文章及其配圖僅供工程師學(xué)習(xí)之用,如有內(nèi)容侵權(quán)或者其他違規(guī)問題,請聯(lián)系本站處理。 舉報投訴
  • NVIDIA
    +關(guān)注

    關(guān)注

    14

    文章

    5309

    瀏覽量

    106477
  • 語音識別
    +關(guān)注

    關(guān)注

    39

    文章

    1782

    瀏覽量

    114261
收藏 人收藏
加入交流群
微信小助手二維碼

掃碼添加小助手

加入工程師交流群

    評論

    相關(guān)推薦
    熱點推薦

    普強信息入選2024語音識別技術(shù)公司TOP30榜單

    普強憑借在語音識別領(lǐng)域多年的技術(shù)積淀與持續(xù)的創(chuàng)新突破,成功入選“2024語音識別技術(shù)公司TOP3
    的頭像 發(fā)表于 04-18 17:25 ?647次閱讀

    廠家芯資訊|廣州唯創(chuàng)電子語音識別芯片技術(shù)解析

    ?一、公司及產(chǎn)品概述作為國內(nèi)領(lǐng)先的語音芯片研發(fā)企業(yè),深耕語音技術(shù)領(lǐng)域25年,其產(chǎn)品以高穩(wěn)定性、低功耗和多場景適應(yīng)性著稱。公司推出的語音識別
    的頭像 發(fā)表于 03-19 08:46 ?372次閱讀
    廠家芯資訊|廣州唯創(chuàng)電子<b class='flag-5'>語音</b><b class='flag-5'>識別</b>芯片<b class='flag-5'>技術(shù)</b>解析

    語音識別技術(shù)在通信領(lǐng)域中的應(yīng)用實例

    語音識別技術(shù)也被稱為自動語音識別(Automatic Speech Recognition,AS
    的頭像 發(fā)表于 02-21 17:12 ?703次閱讀

    詳解語音識別技術(shù)在通信領(lǐng)域中的應(yīng)用

    語音識別技術(shù)也被稱為自動語音識別(Automatic Speech Recognition,AS
    的頭像 發(fā)表于 02-21 17:05 ?791次閱讀
    詳解<b class='flag-5'>語音</b><b class='flag-5'>識別</b><b class='flag-5'>技術(shù)</b>在通信領(lǐng)域中的應(yīng)用

    領(lǐng)先技術(shù)語音識別芯片,探索NRK3502芯片的技術(shù)特點

    九芯電子NRK3502芯片以卓越創(chuàng)新力和技術(shù)積累引領(lǐng)語音識別領(lǐng)域,低成本純離線,高精度識別保障隱私,支持多喚醒詞,低功耗高性能,推動智能家居、智慧辦公等領(lǐng)域發(fā)展。
    的頭像 發(fā)表于 12-25 13:06 ?616次閱讀

    基于語音識別的智能會議系統(tǒng)具備哪些交互功能

    標(biāo)貝科技專注智能語音交互領(lǐng)域多年,在語音識別語音合成領(lǐng)域有著多項大型企業(yè)合作案例,標(biāo)貝與多個智能會議系統(tǒng)廠商合作,成功將語音
    的頭像 發(fā)表于 12-20 10:35 ?599次閱讀

    語音識別技術(shù)在醫(yī)療領(lǐng)域的應(yīng)用

    語音識別技術(shù)在醫(yī)療領(lǐng)域的應(yīng)用已經(jīng)越來越廣泛,為醫(yī)療服務(wù)帶來了諸多便利和效率提升。以下是對語音識別技術(shù)
    的頭像 發(fā)表于 11-26 09:35 ?1220次閱讀

    語音識別在智能家居中的應(yīng)用

    隨著科技的飛速發(fā)展,智能家居逐漸成為人們生活中不可或缺的一部分。智能家居系統(tǒng)通過物聯(lián)網(wǎng)技術(shù)將家中的各種設(shè)備連接起來,實現(xiàn)遠程控制和自動化管理。在眾多的控制方式中,語音識別
    的頭像 發(fā)表于 11-26 09:31 ?1393次閱讀

    語音識別與自然語言處理的關(guān)系

    了人機交互的革命,使得機器能夠更加自然地與人類溝通。 語音識別技術(shù)概述 語音識別,也稱為自動
    的頭像 發(fā)表于 11-26 09:21 ?1514次閱讀

    語音識別技術(shù)的應(yīng)用與發(fā)展

    語音識別技術(shù)的發(fā)展可以追溯到20世紀(jì)50年代,但直到近年來,隨著計算能力的提升和機器學(xué)習(xí)技術(shù)的進步,這項技術(shù)才真正成熟并廣泛應(yīng)用于各個領(lǐng)域。
    的頭像 發(fā)表于 11-26 09:20 ?1637次閱讀

    ASR與傳統(tǒng)語音識別的區(qū)別

    ASR(Automatic Speech Recognition,自動語音識別)與傳統(tǒng)語音識別在多個方面存在顯著的區(qū)別。以下是對這兩者的對比
    的頭像 發(fā)表于 11-18 15:22 ?1359次閱讀

    ASR語音識別技術(shù)應(yīng)用

    語音識別技術(shù)應(yīng)用的分析: 一、ASR語音識別技術(shù)原理 ASR
    的頭像 發(fā)表于 11-18 15:12 ?2079次閱讀

    基于Arm Neoverse N2實現(xiàn)自動語音識別技術(shù)

    自動語音識別 (Automatic Speech Recognition) 技術(shù)已經(jīng)深入到現(xiàn)代生活的方方面面,廣泛應(yīng)用于從語音助手、轉(zhuǎn)錄服務(wù)
    的頭像 發(fā)表于 11-15 11:35 ?1110次閱讀
    基于Arm Neoverse N2實現(xiàn)<b class='flag-5'>自動</b><b class='flag-5'>語音</b><b class='flag-5'>識別</b><b class='flag-5'>技術(shù)</b>

    WTK6900FC語音識別模塊

    語音識別
    WT-深圳唯創(chuàng)知音電子有限公司
    發(fā)布于 :2024年09月25日 17:35:07

    唯創(chuàng)知音WT2605C用在離在線語音識別方案# #語音芯片 #語音識別 #唯創(chuàng)知音

    語音識別
    WT-深圳唯創(chuàng)知音電子有限公司
    發(fā)布于 :2024年09月12日 17:24:28