语音开源代码与平台

        我们只能向前看到很短的距离,但是我们能看到仍然有很多事情要做。----AlanMathison Turing



                                一. 语音开源代码

1.Kaldi

        Kaldi诞生于2009年的JohnsHopkins University,刚开始项目重点是子空间高斯模型(SGMM)建模和词汇学习抽样调查,代码也是基于HTK进行的开发,现在也是C++作为主要语言。但是随着更多参与者的加入,特别是对深度神经网络(DNN)的支持,让Kaldi的发展超过了其他几个著名开源项目。更重要的是Kaldi的维护和更新非常及时,基本上每天都有新的进展报告,而且在跟进学术研究的新算法方面也更加快速。国外很多公司和研究机构也都在用Kaldi平台,当然国内更多的公司,其实也是基于这个平台做的改进,特别是最近几年新兴的公司和企业研究院。

2.CMU-Sphinx

       CMU-Sphinx是卡内基-梅隆大学(CarnegieMellon University,CMU)开发的一款开源的语音识别系统,后来Sun、三菱、惠普、加州大学圣克鲁斯分校和麻省理工也对其有所贡献。Sphinx包括一系列的语音识别器和声学模型训练工具,使用了固定的HMM模型(中科院声学所也曾经引领了HMM国内潮流),被称为第一个高性能的连续语音识别系统。Sphinx的发展也很快,现在Sphinx-4已经完全用Java语言改写,很适合嵌入到Android平台。另外,笔者这里还要强调下李开复先生对Sphinx的贡献,虽然争论很多。

3.Julius

      Julius是日本京都大学和日本IPA(Information-tech-nologyPromotion Agency)联合开发的一个实用高效双通道的大词汇连续语音识别引擎。Julius通过结合语言模型和声学模型,可以很方便地建立一个语音识别系统。Julius支持的语言模型包括:N-gram模型,以规则为基础的语法和针对孤立词识别的简单单词列表。Julius支持的声学模型必须是以分词为单位,且由HMM定义的。Julius由纯C语言开发,遵循GPL开源协议,Julius最新的版本采用模块化的设计思想,使得各功能模块可以通过参数配置。

4.HTK

      HTK是Hidden Markov ModelToolkit(隐马尔科夫模型工具包)的简称,HTK主最初是由剑桥大学工程学院(Cambridge University Engineering Department ,CUED)的机器智能实验室于1989年开发的,它被用来构建CUED的大词汇量的语音识别系统。HTK主要包括语音特征提取和分析工具、模型训练工具、语音识别工具。HTK实际上于1999年被微软收购,但是这样反而阻碍了HTK的发展,因此后来微软又授权开源。HTK的版本更新相当缓慢,2015年总算发布了其3.5 Beta版本。

5.RWTH ASR

       RWTH ASR是一个包含语音识别解码器与工具的声学模型开发软件包,2001年由 RWTH Aachen 大学的Human Language Technology and Pattern Recognition Group 开发。RWTH ASR也是由C++开发,主要包括说话人自适应组件、说话人自适应训练组件、非监督训练组件、个性化训练和单词词根处理组件等。

       上述5种语音识别开源代码是基础的开源版本,基于这些版本诞生了不少衍生的版本,比如Platypus,FreeSpeech,Vedics,NatI,Simon,Xvoice,Zanzibar,OpenIVR,Dragon Naturally Speaking等等,其中,Dragon Naturally Speaking比较有意思,被Nuance收购后也作为了其产品名称。

                                 二 、语音开放平台

1.Nuance NVP

      Nuance是语音识别领域的老牌劲旅,除了语音识别技术外,还包扩语音合成、声纹识别等技术。Nuance Voice Platform(NVP)是Nuance公司推出的语音互联网平台,这是一个开放的、基于统一标准的语音平台产品。它能够支持客户公司已有的IT投资和基础设备,同时可以加入语音的应用。但是,Nuance一直有个问题就是过于托大,对创业型的小公司也不太感兴趣,天天想着攀比各个行业的巨头。也难怪,这也是个策略,最近也听说Dragon Drive将在新奥迪A3上提供一个免提通讯接口,可以实现信息的听说获取和传递。

2.Microsoft Speech API

      微软的Speech API是微软推出的包含语音识别(SR)和语音合成(SS)引擎的应用编程接口,其最新版本是Microsoft Speech API (SAPI) 5.4。SAPI支持多种语言的识别和朗读,包括英文、中文、日文等。微软的API调用模式,我想众位都是非常熟悉了,这里也不再多强调。但是,微软总有个问题,就是任何一个产品都得和Windows绑定。这也让人工智能领域的研发人员头疼不已,总不能在机器人里面装个Windows吧,所以面向PC的语音识别没啥前途。

3.Google Speech API

       这个领域自然不能少了苹果和谷歌,但是苹果打死也不会免费的,而谷歌打死也不会收费的。但是,这没有意义了,因为不管你的引擎多么优秀,现在的语音识别还是要基于云的。所以国内的众多创业用户压根用不了,甚至也访问不到。但是如果你的产品主要布局在国外,Google Speech API还是要备选的,因为这个API调用起来更加方便。

4.IBM viaVoice

        IBM必须要提到,或许我们逐渐淡忘了这个曾经极其辉煌的巨头,但是IBM绝对是较早开始语音识别研究的机构之一。早在20世纪50年代末期,IBM就开始了语音识别的研究。1964年世博会上,IBM就向世人展示了数字语音识别。 1984年,IBM发布的语音识别系统在5000个词汇量级上达到了95%的识别率。1996年IBM发布了新版的听写系统VoiceType3.0,这是viaVoice的原型。这个版本的语音识别系统不需要训练,可以实现孤立单词的听写和连续命令的识别。1999年,IBM发布了VoiceType的一个免费版。2003年,viaVoice就已经非常流行,但是2005年,IBM授权代理viaVoice的ScanSoft公司与Nuance公司合并,viaVoice也就可惜的退出了历史舞台。现在也只能从网上搜索下载一些桌面版本,对于市场应用来说,基本上也就没有什么价值了。

5.科大讯飞语音

       科大讯飞1999年成立,作为中国最大的智能语音技术提供商,在智能语音技术领域有着长期的研究积累,并在中文语音合成、语音识别、口语评测等多项技术上拥有国际领先的成果。科大讯飞目前提供语音识别、语音合成、声纹识别等全方位的语音交互技术。目前也是国内创业团队使用最为广泛的开放语音识别平台,科大讯飞拥有中科大的教育资源和中科院的技术资源,而且已经占据先机,主要还是看其未来的战略如何发展。

6.百度语音

        百度语音自从和中科院声学所合作以后,在贾磊带领下短时间内建立起来自己的引擎,而且打出了永久免费的口号,在很多领域抢占了一定的市场,在百度有钱任性的支持下自然发展迅速。但是,最近听说百度语音变动极大,新请来的吴恩达似乎和贾磊有些不合,传闻NG先生意欲整合百度语音,导致贾磊已经离职。而且百度语音最近招聘很多声学方面相关的学生,或许NG先生对百度语音又有了新的战略构想。实际上,NG先生负责的是百度大脑计划,语音交互自然要作为其中尤为重要的一环,而大脑计划若想落地,就必然需要终端设备的支持,而这也涉及到了众多声学前端技术。

                                         个人看法

    语音识别与智能应答作为人工智能(Artifical Intelligence)的重要一个组成部分,未来无论在人们的生活和工业中都会发挥重大的作用,也许你今天还习惯人机交互在触摸屏上,但在不久的将来,我们的双手会真正的解放,我们通过很自然的对话就可以与各种智能设备交互。当然这也离不开你们的努力,科技改变生活,相信我们能够让世界变得更高效,更充满意义。


                                                                   一个好玩又有趣的AI平台               by  AISUG科技集团欢迎您 

 

推荐阅读更多精彩内容