第197章 语音识别

    智能音箱的硬件和一些生态内容，都已经搞定了，就差一个智能的软件了。

    要说智能音箱，智能才是他的心脏部位。

    但是智能这个词语，听起来很简单，无非就是两个字，但是做起来却是“蜀道难，难于上青天。”这种感觉。

    就拿那个唤醒词来说吧，林奇决定要把那个唤醒词去掉，可是研究了很久，还没有研究到去掉唤醒词的地步。

    因为在第一步的时候就被束缚了手脚，那就是语音识别。

    近些年来人工智能里面的机器学习发展的很是厉害，尤其是机器学习中的深度学习。

    深度学习利用的是大于3层的神经络来学习，有输入层，输出层，中间还有很多隐藏层。

    只需要把大量的数据过来，输入给写好的程序，运行一段时间之后，就会计算出来一个模型。

    输入的数据越多，运算的次数越多，一般情况下得出来的结果也越好。但是这里面还有一个需要注意的就是不能太依赖于输入的数据了，否则会出现过拟合的现象。

    过拟合就是在给定的数据中，让程序来预测某些结果，它能达到很高的准确性，比如99999，但是到了通用的数据下，这个模型表现的就很差，可能只有的准确性。

    林奇开始的时候也是利用了深度多层神经络来进行训练语音样本的，因为现在市面上最流行的就是种方法。

    不过别的公司能采用这种是因为他们有很多的音频资料，并且都是用户自己上传的一些音频素材，比如深信，月活跃量一度超过10亿人，可想而知，每天用它发语音的有多少人，他能收集到多少的语音片段。

    再比如寻她、搜猫和可大讯飞，他们三家公司都有自己的输入法，每一个人都说自己的语音识别准确率最高，在手机上用这三种输入法的大有人在，当然虽然在一些环境下用语音输入很是麻烦，但是有一些特定的环境还是很不错的。

    所以他们收集到的来自真人的各种场景的语音片段，也是非常丰富的。

    像上面的这些公司他们使用深度神经络来训练语音模型，没有任何问题。

    但是第二智慧科技没有聊天工具，也没有语音输入法，林奇也想过去这些公司买一些数据，用来训练自己的语音识别库，但是思来想去，还是落了下乘。

    第二智慧科技要推出的智能音箱，最主要的一个环节的原料却是从别人那里购买的，虽然没有什么问题，但是林奇总觉得很别扭。

    后来林奇也想过去各大站上面爬一些数据，有生物计算机在后面给自己的大力支撑，爬别人的数据，应该很方便。

    林奇也真的去这么做了，为了n频率，还特意的n了一些速度。就这样爬了一些数据，但是这些数据拿到手里，林奇发现有一个问题，那就是这些数据很多都是录音棚，或者加工后的数据。

    与用户实际生活中，比如在地铁上发的语音，在公交车上发语音，或者在大街上发语音，在家里发语音都不太一样，爬出来的数据很多都没有环境音。

    没有环境音本身其实是好的音频，但是对于做语音识别来说这个就非常不合适了，因为做出来的模型不符合人们正常生活，与实际使用场景不符。

    那就很尴尬了，就好比你说一个人很厉害，可以用剑杀恶龙，在有恶龙的世界里面，他是当之无愧的英雄。

    但是如果他来到了现实生活中，就一事无成。

    无他，只是因为现实生活中没有恶龙来给他杀。一个杀鸡的可能都比他在现实生活中，更容易生存下去。

    最后林奇决定还是自己来搞这个模型，不仅仅语音识别是需要大量的数据，现在所有的涉及到深度学习的都是需要大量的数据来进行训练。

    林奇并不觉得这是绝对正确，就像我们人类一样，比如一个新奇的物种，并没有见过，然后你给他了一张照片，说这是神兽饕餮，然后等他再次看到的时候，他很容易就能认出来，那个是不是神兽饕餮。

    林奇想做的是能通过少量的样本就能训练出来一个不错的模型，这样就可以解放语音的大数据。

    同时一个人上手的时间更短，想想即使一个人口音很重，用了智能语音软件说了几十句话，或者十几句话之后，准确率大大提高，可以堪比用标准的新闻联播主持人那样的普通话说出来的识别率。

    其实在自然语言方面，林奇之前有一些经验，是在创造自然语言编程的时候。

    但是里面设计到的多是语义的一些解析，没有涉及到语音识别。

    林奇相信只要自己能通过第一关卡，那么后面的应该都很简单。

    为了这个目的，林奇疯狂的投入到了开发中。

    林奇把每一个的汉字读音都收集了起来，然后有语料数据的时候，林奇把这个语料做了一个分类。

    一个是标准读音串起来的语音，一个是真实的语音。

    林奇先处理了真实语音，把真实语音分成了环境音和人声。

    接着又拿出来人声和原来的标准读音进行对比，找出来了两者的差异。

    经过不懈的努力，还真的找出来了同一个人在说不同话的时候有一些相同的东西。

    就像不同地方的人有不同地方的口音一样，一个人说话的时候，与标准的普通话有固定的“偏差”。

    找出来了这个“偏差”，林奇非常兴奋，他觉得这个可能是他最近一段时间研究，最大的成果了。

    有那个处于地下四层之下的量子生物计算机的强大后盾，林奇研究出来了这个“偏差”，又基于这个做出来了一套新的语音模型。

    这种新的模型，与市面上的模型都不一样，市面上的模型都是一个固定的，比如用户和b用户安装后得到的都是一样的模型。

    而这个不一样，开始安装的时候都是一样的，但是人们说的话越多，他得到的数据越多，就越精确，并且模型会根据这个人的语音输入而变化，以至于可以达到千人千面，甚至亿人亿面。

    这也是因为第二智慧科技有生物计算机在后面作保证的，如果没有这些功能和存储都很厉害的生物计算机，这是不可能实现的。

    第二智慧科技也有一支团队在做语音识别，不过他们就是按照常规的深度学习来做的建模。

    最近他们遇到了一个问题，找到了林奇这里。