语音识别，助力会议语音转写

通常会议记录的速度是慢于说话速度的，而对于大部分会议而言，会议记录内容是参与人员复盘和会议重点提炼的一手材料，尤其是对于大型讨论决策型会议，会议记录的内容准确性不言而喻。

在语音转写技术出现以前，会议记录高度依赖会议记录人员或书记员的精确录入，后期还需要进行大量词汇填充工作，繁琐且出错率高。

科技是第一生产力，大数据应用的延伸和硬件系统的成本降低、性能的提升，反哺了人工智能所需要的原始训练资料，根据相关机构预测，中国语音识别的商用市场在2024年会达到接近300亿的收入规模，而GPU的使用量与训练速度也在成倍增长。随着越来越多的头部互联网厂商的布局和许多新兴玩家的加入，使得相应的应用产品愈发趋于成熟，开始走向大规模的商业化，而类似于会议记录困难这样的问题，自动实时语音转写录入技术的到来将会得到完美解决。

Q1:语音识别技术是如何发展的？

主要有四个阶段。第一个阶段（模板匹配阶段）是上个世纪50到60年代，语音识别尚处在萌芽阶段，通过模板匹配的方式实现，这个阶段的特点是只能理解有限的词汇和内存中的数字，并不能将语音信号转化为完整的语句或者词汇，且对于不同的声音模型，机器的识别也极为有限。

第二个阶段（模式和特征分析阶段）是智能语音识别的起步阶段，时间点是上世纪70、80年代，这一阶段可以通过对声音进行设置特定的模式和参数，并基于大量词汇可以进行连续的语音识别。仍然处于研究和探索的阶段，这一阶段的成果主要出自于各高校和研究所。

第三个阶段（概率统计建模阶段）为成长阶段，此阶段研究算法主流为概率统计算法建模，主要模型为HHM隐马尔科夫模型和DMM高斯混合模型，这一阶段开始有了面向商用市场的初期产品。而神经网络模型也在这一时期稳定发展，DBN深度置信网络由HINTON在2006年提出，并频繁出现在语音识别领域，开始挑战主流的算法模型。

第四个阶段（深度神经网络阶段）也就是2010年至今，消费级产品越来越常见并且更加专业化，而主流算法模型开始转向为神经网络模型，语音识别作为AI交互的接口，应用的场景也更加多样巧妙。

Q2:语音识别和语音转写有什么区别？

实际上这两种技术是包含关系，即语音转写技术是AI语音识别技术的一个分支。语音识别的研究对象是指以语音为研究对象，通过语言处理和模式识别让机器自动识别理解人类口述语言，进而转化成文本或者命令的技术。从中可以看出，语音识别是一门涉及广泛的技术，与声学、语音学、语言学、信息理论、模式识别理论以及神经生物学等学科都有非常密切的关系。而语音转写则是其中一种输出方式，最直接的就是转换成为可视化文本样式输出，即为语音转写技术，它包含了识别与转写两个流程。