语音识别ASR” | AI产品经理需要了解的AI技术概念

语音识别（Automatic Speech Recognition，简称ASR），博主经过多年淬炼，发现是语音交互中最基础的一个AI技术环节，大家可以先在手机上体验siri等各种语音助手，或者各种智能音箱，找找感觉：）

本文，是我收集了很多线上/线下的相关信息后，提炼出的AI产品经理“最必要”了解的ASR技术知识和行业现状（多了没必要，少了又不足以入门、准备面试或工作实战）；不仅帮大家节省了时间，更是过滤了很多无用信息和过于技术的内容。

目录

一、核心概念：语音识别ASR、远场语音识别（语音激活检测VAD、语音唤醒、麦克风阵列、全双工、纠错）

二、当前技术边界

三、瓶颈和机会

附：相关资料（文章和书籍）

1

核心概念

1、语音识别（Automatic Speech Recognition），一般简称ASR；是将声音转化为文字的过程，相当于人类的耳朵。

1）语音识别原理流程：“输入——编码——解码——输出”

语音识别，大体可分为“传统”识别方式与“端到端”识别方式，其主要差异体现在声学模型上。“传统”方式的声学模型一般采用隐马尔可夫模型（HMM），而“端到端”方式一般采用深度神经网络（DNN）。

注：更多编码、解码等技术细节，感兴趣的同学可看《CUI三部曲之语音识别——机器如何听懂你的话？》http://t.cn/RKn1wnU （需要长按链接，复制后再用浏览器打开）

语音识别的应用，就这么简单？不是的，在实际场景，有很多种异常情况，都会导致语音识别的效果大打折扣，比如距离太远了不行，发音不标准不行，环境嘈杂不行，想打断也不行，等等。所以，还需要有各种解决方案来配合。

2）语音识别的评价指标——识别率

看纯引擎的识别率，以及不同信噪比状态下的识别率（信噪比模拟不同车速、车窗、空调状态等），还有在线/离线识别的区别。

实际工作中，一般识别率的直接指标是“WER（词错误率，Word Error Rate）”

定义：为了使识别出来的词序列和标准的词序列之间保持一致，需要进行替换、删除或者插入某些词，这些插入、替换或删除的词的总个数，除以标准的词序列中词的总个数的百分比，即为WER。

公式为：

Substitution——替换

Deletion——删除

Insertion——插入

N——单词数目

3点说明

A）WER可以分男女、快慢、口音、数字/英文/中文等情况，分别来看。

B）因为有插入词，所以理论上WER有可能大于100%，但实际中、特别是大样本量的时候，是不可能的，否则就太差了，不可能被商用。

C）站在纯产品体验角度，很多人会以为识别率应该等于“句子识别正确的个数/总的句子个数”，即“识别（正确）率等于96%”这种，实际工作中，这个应该指向“SER（句错误率，Sentence Error Rate）”，即“句子识别错误的个数/总的句子个数”。不过据说在实际工作中，一般句错误率是字错误率的2~3倍，所以可能就不怎么看了。

2、远场语音识别（Farfield Voice Recognition）

远场语音识别，简称远场识别，口语中可更简化为“远场”。下面主要说3个概念：语音激活检测、语音唤醒、以及麦克风阵列。

1）语音激活检测（voice active detection，VAD）

A）需求背景：在近场识别场景，比如使用语音输入法时，用户可以用手按着语音按键说话，结束之后松开，由于近场情况下信噪比（signal to noise ratio, SNR）比较高，信号清晰，简单算法也能做到有效可靠。但远场识别场景下，用户不能用手接触设备，这时受噪声影响比较大，SNR较低，必须使用VAD了。

B）定义：判断什么时候有语音/什么时候没有语音（静音）。

后续的语音信号处理或是语音识别，都是通过“VAD 检测的语音起始点帧位置”截取出来的有效语音片段上进行的。

2）语音唤醒 （keyword spotting，简称KWS；或voice trigger，VT）

A）需求背景：在近场识别时，用户可以点击按钮后直接说话，但是远场识别时，需要在VAD检测到人声之后，进行语音唤醒，相当于叫这个AI（机器人）的名字，引起ta的注意，比如苹果的“Hey Siri”，Google的“OK Google”，亚马逊Echo的“Alexa”等。

B）定义：可以理解为喊名字，引起听者的注意。

VT判断是唤醒（激活）词，那后续的语音就应该进行识别了；否则，不进行识别。

C）语音唤醒的应用交互模式

传统模式：先唤醒设备，等设备反馈后（提示音或亮灯），用户认为设备被唤醒了，再发出语音控制命令，缺点在于交互时间长；

One-shot：直接将唤醒词和工作命令一同说出，如“小雅小雅，我想听周杰伦的歌”；

Zero-shot：将常用用户指令设置为唤醒词，达到用户无感知唤醒，例如直接对车机说“导航到XX大厦”。

多唤醒：主要满足用户个性化的需求，给设备起多个名字。

D）语音唤醒的评价指标（也是难点）

a）唤醒率。叫AI的时候，ta成功被唤醒的比率（注：喊ta的时候，ta不答应，叫做漏报）。

b）误唤醒率（误报）。没叫AI的时候，ta自己跳出来讲话的比率；有时会按照“天”来算，比如要求“一天内不超过一次”。如果误唤醒比较多，特别比如半夜时，智能音箱突然开始唱歌或讲故事，会特别吓人的……

注1：唤醒率=唤醒中真实唤醒的数量/尝试唤醒的总数。这里特意强调“真实唤醒的数量”，是因为唤醒的总数据中，还会包含误唤醒的数据。

注2：关于准确率precision、召回率Recall等概念的辨析，可参考《AI产品经理需要了解的数据标注工作入门》中的“模型测试”小节。

c）唤醒词的音节长度。一般技术上要求，最少3个音节，如果音节太短，一般误唤醒率会比较高。比如“OK Google”和“Alexa”有四个音节，“Hey Siri”有三个音节；国内的小雅智能音箱，唤醒词是“小雅小雅”。不过，Rokid的唤醒词“若琪”，做到了只有两个音节，据说是全球唯一。

d）唤醒响应时间。之前看过傅盛的文章，说世界上所有的音箱，除了Echo和小雅智能音箱能达到1.5秒，其他的都在3秒以上。

e）功耗（要低）。看过报道，说iPhone 4s出现Siri，但直到iPhone 6s之后才允许不接电源的情况下直接喊“Hey Siri”进行语音唤醒；这是因为有6s上有一颗专门进行语音激活的低功耗芯片，当然算法和硬件要进行配合，算法也要进行优化。

E）语音识别和语音唤醒的本地/云端策略

语音识别：通用的ASR一般在云端，不过目前很多设备采用离在线融合的方式，一是解决无网状态下的语音识别，二是一些常用指令，靠离线引擎的更快，体验更好，三是有些厂商提供的个性化识别服务依赖本地模型。

语音唤醒：虽然很多具体产品的方案是离线方案，但目前亚马逊、苹果都明确在技术文档中表示，其使用了云端唤醒的方案（一级唤醒在本地，二级唤醒在云端）。

3）麦克风阵列（Microphone Array）

A）需求背景：在会议室、户外、商场等各种复杂环境下，会有噪音、混响、人声干扰、回声等各种问题。特别是远场环境，要求拾音麦克风的灵敏度高，这样才能在较远的距离下获得有效的音频振幅，同时近场环境下又不能爆音（振幅超过最大量化精度）。另外，家庭环境中的墙壁反射形成的混响对语音质量也有不可忽视的影响。

B）定义：由一定数目的声学传感器（一般是麦克风）组成，用来对声场的空间特性进行采样并处理的系统。

C）能干什么

语音增强（Speech Enhancement）：当语音信号被各种各样的噪声(包括语音)干扰甚至淹没后，从含噪声的语音信号中提取出纯净语音的过程。

声源定位（Source Localization）：使用麦克风阵列来计算目标说话人的角度和距离，从而实现对目标说话人的跟踪以及后续的语音定向拾取。

去混响（Dereverberation）：声波在室内传播时，要被墙壁、天花板、地板等障碍物形成反射声，并和直达声形成叠加，这种现象称为混响。

声源信号提取/分离：声源信号的提取就是从多个声音信号中提取出目标信号，声源信号分离技术则是将需要将多个混合声音全部提取出来。

D）分类

按阵列形状分：线性、环形、球形麦克风。在原理上，三者并无太大区别，只是由于空间构型不同，导致它们可分辨的空间范围也不同。比如，在声源定位上，线性阵列只有一维信息，只能分辨180度；环形阵列是平面阵列，有两维信息，能分辨360度；球性阵列是立体三维空间阵列，有三维信息，能区分360度方位角和180度俯仰角。

按麦克风个数分：单麦、双麦、多麦。麦克风的个数越多，对说话人的定位精度越高，在嘈杂环境下的拾音质量越高；但如果交互距离不是很远，或者在一般室内的安静环境下，5麦和8麦的定位效果差异不是很大。

傅盛曾说，全行业能做“6+1”麦克风阵列（环形对称分布6颗，圆心中间有1颗）的公司可能不超过两三家，包括猎户星空在内。而Google Home目前采用的是2mic的设计。

E）问题

距离太远时(比如10m、20m)，录制信号的信噪比会很低，算法处理难度很大；

对于便携设备来说，受设备尺寸以及功耗的限制，麦克风的个数不能太多，阵列尺寸也不能太大。——分布式麦克风阵列技术则是解决当前问题的一个可能途径。

麦克风阵列技术仍然还有很大的提升空间，尤其是背景噪声很大的环境里，如家里开电视、开空调、开电扇，或者是在汽车里面等等。

整体来说，远场语音识别时，需要前后端结合去完成。一方面在前端使用麦克风阵列硬件，对声源定位并通过自适应波束进行语音增强，在前端完成远场拾音，并解决噪声、混响、回声等带来的影响。另一方面，由于近场、远场的语音信号，在声学上有一定的规律差异，所以在后端的语音识别上，还需要结合基于大数据训练、针对远场环境的声学模型，才能较好解决识别率的问题。

4）全双工（Full－Duplex）

A）需求背景：在传统的语音唤醒方案中，是一次唤醒后，进行语音识别和交互，交互完成再进入待唤醒状态。但是在实际人与人的交流中，人是可以与多人对话的，而且支持被其他人插入和打断。

B）定义：

单工：a和b说话，b只能听a说

半双工：参考对讲机，A：能不能听到我说话，over；B：可以可以，over

全双工：参考打电话，A：哎，老王啊！balabala……；B：balabala……

C）包含feature

人声检测、智能断句、拒识（无效的语音和无关说话内容）和回声消除（Automatic Echo Cancellation ，简称AEC，在播放的同时可以拾音）。

特别说下回声消除的需求背景：近场环境下，播放音乐或是语音播报的时候可以按键停止这些，但远场环境下，远端扬声器播放的音乐会回传给近端麦克风，此时就需要有效的回声消除算法来抑制远端信号的干扰。

5）纠错

A）需求背景：做了以上硬件、算法优化后，语音识别就会OK了吗？还不够。因为还会因为同音字（词）等各种异常情况，导致识别出来的文字有偏差，这时，就需要做“纠错”了。

B）用户主动纠错

比如用户语音说“我们今天，不对，明天晚上吃啥？”，经过云端的自然语言理解过程，可以直接显示用户真正希望的结果“我们明天晚上吃啥”

C）根据场景/功能领域不同，AI来主动纠错。这里，根据纠错目标数据的来源，可以进一步划分为3种：

a）本地为主

比如，打电话功能。有位很好的朋友叫郭家，如果说“打电话给guo jia时”，一般语音识别默认出现的肯定是“国家”，但（手机）本地会有通讯录，所以可以根据拼音，优先在通讯录中寻找更匹配（相似度较高）的名字——郭家。就显示为“打电话给郭家”。

b）本地+云端

比如，音乐功能。用户说，“我想听XX（歌曲名称）”时，可以优先在本地的音乐库中去找相似度较高的歌曲名称，然后到云端曲库去找，最后再合在一起（排序）。

例如，实际工作中，遇到过的“纠错例子”包括：

夜半小夜曲—>月半小夜曲

让我轻轻地告诉你—>让我轻轻的告诉你

他说—>她说

望凝眉—>枉凝眉

一听要幸福—>一定要幸福

苦啥—>哭砂

鸽子是个传说—>哥只是个传说

c）云端为主

比如地图功能，由于POI（Point of Interest，兴趣点，指地理位置数据）数据量太大，直接到云端搜索可能更方便（除非是“家”、“公司”等个性化场景）。比如，用户说“从武汉火车站到东福”，可以被纠正为“从武汉火车站到东湖”。

2

当前技术边界

各家公司在宣传时，会说语音识别率达到了97%，甚至98%，但那一般是需要用户在安静环境下，近距离、原地不动、慢慢的、认真清晰发音；而在一些实际场景，很可能还不够好的，比如——

1、比如在大家都认为相对容易做的翻译场景，其实也还没完全可用，台上演示是一回事，普通用户使用是另一回事；特别是在一些垂直行业，领域知识很容易出错；另外，还可详见《怼一怼那些假机器同传》http://t.cn/RKgBKH0

2、车载

好几年前，我曾做过针对车载场景的语言助手demo，拿到真实场景内去验证，结果发现，车内语音识别效果非常不理想。后来，我在面试一位做车内语音交互系统的产品经理时得知，他们的验收方其实也没有特别严格的测试，因为大家（同事）都知道，如果那样（严格），怎么也通过不了。。。

车内语音识别的难点很多，除了多人说话的干扰，还有胎噪、风噪，以及经常处于离线情况。

据说有的公司专门在做车内降噪，还有些公司想通过智能硬件来解决，至少目前好像还没有哪个产品解决好了这个问题，并且获得了用户的口碑称赞。

3、家庭场景，由于相对安静和可控，如果远场做好了，还是有希望的。

4、中英文混合。

特别在听歌场景，用户说想听某首英文歌时，很容易识别错误的。这方面，只有小雅音箱曾说自己做了很多优化工作。

总之，目前AI领域内，ASR已经是相对成熟（商用）的技术了，但还是需要用户配合AI在特定场景下使用。这是不是问题呢？是问题，但其实不影响我们做产品demo和初步的产品化工作，so 反而是我们AI产品经理的发挥机会——用产品体验设计来优化（弥补）纯技术效果的不足，比如当ASR返回时间较长时，可以让AI多说几个字，让用户感觉上等待的时间变短。

【插播一个Q & A】

Q：您好，我现在在做一款智能语音催收产品（智能语音外呼机器人），使用的某TOP AI公司的语音识别技术，其公告的识别率在97%，但是我们实际测试中的准确率只有67%左右，想问下，现在各家AI公司的语音识别，在实际使用中真正的准确率，到底大概能有多少？

A：你好，感谢你的提问。关于语音识别的准确率

1）准确率的测试，本身肯定是有各种限定条件的，比如测试的自然环境、软硬件环境，甚至还会受到说话人的口音影响。所以，各家公司在官网或各种PR稿中，肯定是说最好的测试效果，甚至可能会有点夸大。这些，一方面，我们也很难要求所有做ASR的公司，在提到准确率的时候，同时公开所有的限定条件参数（并横向对比），所以对他们要能一定程度的理解。另一方面，我们作为从业者，要知道这种过于宽泛的说法，本身就没有太大的可参考性；某种意义上说，这是比较基本的行业通识了。

2，进一步的，我们自己要知道，己方ASR需求的特定条件是什么，然后再去市场上找通用或个性化的解决方案。比如，在@团子 的重度干货文章《如何从零开始搭建智能外呼系统》中就提到过：电话渠道的语音流采样率一般是8k 16bit，这种语音识别的准确率远远低于app等渠道采集音频的识别率。再加上人在打电话时说话方式相对随意，导致语音识别部分成为了影响电话机器人能力和效果的重要瓶颈。

3

瓶颈和机会

1、远场语音识别，是最近2年的重要竞争领域。因为家庭（音箱）等场景有可能做好、被催熟。

2、更好的机会在垂直细分领域，比如方言识别、特定人群的声学匹配方案（儿童）等。

2、书籍及其他

1）网上有人推荐《解析深度学习：语音识别实践》by @俞栋 ；

2）语音识别工具包是 kaldi。