一切都源自于一個紅包，下午，朋友發(fā)消息給我說，讓我領個紅包。
打開后，看到紅包，我不禁笑了。想我**普通話水平等級測試一級乙等的水平，豈會怕一個小小的語音口令？
我清了清嗓子，以**的“播音腔”，念了“四十是四十，十四是屎拾”，小程序冷笑了一聲，返回給我了個“再接再厲，再錄一次”。
我以為是自己沒說好，站起身，氣沉丹田，再次念了一次“四十是四十，十四是屎拾”，旁人紛紛對我傳來了異樣的眼光.....然而異樣的眼光也并沒有什么卵用。。。
我灰溜溜的走出房間，找了一處無人的地方，一次次的嘗試去讀“四十是四十，十四是屎拾”。然而努力是沒有結果的，每次都是無功而返。
既然無法搶到紅包，氣急敗壞的我開始想，為什么我這么**的普通話，還搶不到紅包？
作為一個普通話一乙的北方人，如果我都領不了紅包，豈不是只有一甲的播音員們才能搶到？問題肯定不在此。于是，我開始動用我身為程序員的本能，開始分析小程序背后的技術。
終于，我想到了，它之所以能夠做到讀對口令才能搶到紅包，完全是依賴于背后的一項技術——“語音識別”
語音識別背后有非常多的技術，我這里盡量簡單的給你說明什么是語音識別。
首先，用戶在 App 中按下按鈕，錄制語音，然后 App 會將音頻上傳到后臺的服務器，后臺的服務器對聲音進行特征提取，傳遞給下個階段的處理器，這個時候，我們的聲音信號已經由聲音信號轉變?yōu)樘幚砗蟮奶卣餍盘枴?/span>
然后處理器再通過接入 “聲學模型”，來獲取不同的特征信號可能**的字詞；再由“語言模型”，實現(xiàn)對所有可能字詞的選擇，得出可能的結果。
**終，經過一系列的處理，我們說話的一段語音信號，就變成了一句話 “你吃飯了么？”
英語流利說的語音識別功能是非常厲害的，就如其廣告中所說“會打分的人工智能英語老師”，英語流利說的依仗，便是其比別人更加的”聲學模型“和”語言模型“
學員在手機上錄音，錄音經過上傳，到云端進行特征提取，再由“模特聲音訓練過”的“聲學模型”進行處理（這里的模特聲音訓練過非常重要，訓練材料的不同會導致模型的天差地別），聲學模型處理過后，文字會傳遞給語言模型，組合成句。在完成兩處處理后，對聲音信號和文字信號進行打分，如果你的準確率比較高，你就能夠獲得一個Nice！
語音上傳部分我打了問號，是因為流利說本身也有離線打分引擎，所以可能我們的語音沒有上傳到云端，在本地就直接進行處理了。
更細致的信息你可以到 「英語流利說」是如何進行比對評分的？ - 林暉的回答 - 知乎去看，林暉先生解釋的很細致。
由于“我要說口令”小程序本身的功能要比英語流利說更為簡單一些，不需要進行特殊模型訓練，可以借助一些云計算服務商提供的 API 來實現(xiàn)功能。這里，我們拿“阿里云 ET 智能語音交互”服務 來舉例。
此處***我個人針對“我要說口令”小程序的分析，不**其官方架構。
小程序在手機上進行錄音，然后將錄音上傳至開發(fā)者的服務器，服務器上的后臺程序再將聲音信號通過 API 傳遞給 阿里云 ET 智能語音交互，并調用其中的 智能語音識別接口，接口對語音信號進行處理后，返回識別的文字，比如在剛剛那個紅包中，識別出來的文字是“四十是四十是四是屎拾”。開發(fā)者的服務器在受到服務器傳回的文字后，和發(fā)紅包的人設置的文字對比，看看兩個文字是否相同。如果文字相同，就說明讀對了，用戶就可以拿到紅包；如果文字不同，就要告訴用戶“再接再勵”了。
當然，實際上在對比的標準中可能不會這么簡單，因為在這種情況下，聲學模型和語言模型識別出來的文字可能會非常奇葩，用戶能夠匹配上設置的文字的可能性就會非常小，這時，程序員可能就會在這方面設置一個“冗余度”，如果內容中有80%的文字是對的上，就能拿到紅包。
想到這里，我不禁悲從中來，由于“聲學模型”和“語言模型”的性能，計算我讀的再好，可能也無法被很完美的識別出來。特別是這種幾乎是無序的內容，語言模型根本無法很好的處理，我總是搶不到紅包也是正常的了。以我的運氣，這輩子怕是都搶不到語音紅包了，我還是去群里搶普通運氣紅包吧！
不過，雖然我不能搶紅包，但是我可以去做一個搶紅包的小程序！有了“阿里云 ET 智能語音交互”，無需自主建立語音識別的系統(tǒng)，輕松實現(xiàn)語音識別！
轉載自云棲社區(qū)
作者：西秦說云
蘇州憶信捷信息技術有限公司為客戶提供軟件開發(fā)、app開發(fā)、微信開發(fā)等定制化軟件服務。網站: www.yixinjie.cc 聯(lián)系電話:0512-86660338 聯(lián)系地址:蘇州市工業(yè)園區(qū)仁愛路150號 南大研究生院A223/A327
真誠歡迎大家前來咨詢，請撥打我們的服務熱線，謝謝，謝謝您的瀏覽。
