人工智能深度學習的語音識別方法研究

周婧

摘 要：近年來，諸如機器人和智能家具之類的人工智能產品吸引了越來越多的關注。從而人們對人工智能越來越感興趣。 算法已經從人工智能，決策樹發展到神經網絡，機器學習再到深度學習。隨著算法的進化，也促進了人工智能的應用，不得不說算法的演進也同樣推動了人工智能的應用，核心算法的缺乏也將限制人工智能的發展和突破。

關鍵詞：人工智能算法;圖像處理;人工神經網絡;進化算法;遺傳算法

在第一次工業革命期間，機械的出現促進了當時社會的發展。 隨著計算機技術的不斷發展，當今社會也為發展提供了革命性的機會。什么樣的智能機器被人工智能用來幫助人們的智能勞動和完成智能動作？特別是在2016年，韓國圍棋大師輸給了計算機機器人，加深了大家對人工智能產品的了解。在全球高度關注的背景下，人工智能行業迎來了快速發展的新時代。諸如圖像分析和行為識別之類的人工智能應用，例如視頻分析和運動識別之類的數字圖像處理技術無法分離。

1 人工智能的概述

人工智能或人工智能是指計算機模仿或使用的智能。像智能一樣，人工智能的科學定義在學術界尚未統一。根據邁克爾和尼爾森對人工智能的定義，人工智能既是工程學科，也是理論研究學科。人工智能作為一門工程技術學科，其目的是為構建人工智能系統提出新技術，新方法和新理論，并在此基礎上開發具有智能行為的計算機系統。例如，在醫學和地質學領域，專家系統可以提供專家建議和意見，可以解決棋盤游戲和游戲系統，可以解決數學問題。作為理論研究的一個領域，人工智能的目的是解釋智能行為。提出智能系統的概念和理論，為人工智能系統的建立提供了理論依據。也就是說，如果我們不能在計算機上解決問題，那就是人工智能。

2 人工智能深度學習的語音識別

2.1 語音識別理論

語音識別指的是通過語音來控制某項事務完成某項功能的行為。現代語音識別技術包括5個階段，如圖2-1所示：

在以上列出的5個語音識別過程，其中最重要的是預處理階段和特征處理階段，在預處理階段需要對語音信號進行濾波以及采樣處理，增強語音功能。在特征處理階段需要提取出語音信號的特征點，識別人物信息。因為人的聲音信息中包含著不同的頻率特點，有些部分頻率低，有些部分頻率高，而頻率高的部分容易受到噪聲的干擾，這就需要對聲音作濾波處理，選擇合適的稱函數對聲音信號的干擾進行濾除。接下來將針對這兩個主要部分分別進行闡述。

2.2 語音信號預處理

對語音信號進行預處理指的是通過濾波、采樣、量化等手段對原始的語音信號進行加工處理，濾波時一般是采用合適的濾波器進行處理，一般情況下是采用帶通濾波器，防止信號發生混疊干擾。采樣過程是對原始信號進行離散處理，根據奈奎斯特采樣定理，要讓采樣頻率大于信號最大頻率的兩倍才能使最后采用的結果不失真。采樣完成之后必須對語音信號進行模數轉換，模數轉換的目的是使得計算機能夠方便處理。由于在家居環境中，主人說話的聲音比較小，因此有時候會在軟件設計時加入語音增強模塊，防止因為噪聲過大而掩蓋了原始的真實語音信號。其次還需要對語音信號進行預加重處理，這是因為當語音信號的頻率超過800赫茲時，信號會出現嚴重的衰減，為了使得信號不失真，就必須對語音信號進行預加重處理，使得信號在高頻率部分變得平坦，便于后來的頻譜分析。因為語音信號會因為聲調聲色等的不同而發生變化，因此是一個不平穩的信號，為了解決這個問題，還需要對語音信號進行加窗分幀，使信號盡量保持平穩的狀態，方便進行頻譜分析。最后，因為一段語音信號往往包含著有用信號和無用信號，為了提升工作效率，及時有效的檢測到有用信號，這時還需要對語音信號進行端點檢測，運用端點檢測的手段，將一些無聲信號或者有噪聲的信號進行濾除，提升語音識別效率。

2.3 語音信號特征提取

語音信號的特征提取在語音識別技術中是一個關鍵點，通過對特征的提取能夠有效的識別人物信息。對于大部分語音信號一般都處于低頻帶，但是仍舊有部分語音信號處于高頻帶，后者很容易受到噪聲的干擾，因此需要采取一定的手段對高頻信號進行濾除，增加語音信號的抗噪能力。常用的語音信號特征提取方法是梅爾頻率倒譜系數分析法，本文也將采取這種方法對語音信號進行了特征提取。

3 人工智能算法發展趨向

近年來，中國在人工智能這一領域也有了很大的飛躍。我們將人工智能應用于工業發展，將其應用于社會生活的各個方面，并解決人們關心的安全，健康和環境問題。人工智能被稱為智能的原因與一系列嚴格的邏輯算法是分不開的，并且該算法的支持是大量的數據訓練。就像今天的人工智能算法 Alpha Dog的領導者一樣，它也是數百萬人類圍棋專家的游戲數據的組合，并且還在繼續學習和發展。當我們所有人都呼喚著人工智能的時代的到來，并且令我們感到高興的是，我們在世界上擁有許多第一， 我們的算法創新和發展的問題卻越來越缺乏。

一方面，人工智能算法用于通過數據收集和機器學習對用戶特征進行分析和分類，從而使用戶成為不了解情況的觀察，學習，分析和監控的對象。從積極的方面來說，人工智能算法收集用戶數據應該是一種良性互動，既有利于供需雙方。但是，在實際情況中，用戶隱私保護與組織數據收集和使用之間的平衡是供給之間的積極文化，是形成供需之間良性互動的關鍵。首先，相關企業和技術層面可以在技術層面構建技術工程和標準化體系，而智能算法更客觀、透明、殺傷力強和算法偏差。第二，有必要加強驗證和監督，并對未經授權使用數據和其他行為的行為加重處罰。除了改進相關標準，規范和法律法規外，還必須防止使用人工智能算法標語而竊取用戶數據的違反法律法規的行為。同時，必須確保收集，存儲和使用個人信息的整個過程的安全性和控制性。另外，人工智能企業必須堅持底線思考，人工智能實際上是一種以人為本的算法模式，要始終以人為本，并始終優先考慮人的數據權只有在技術和算法上使用人，才能實現真正的人工智能。

4 結語

人工智能的研究一直在不斷深入。對人工智能算法有詳細而全面的理解。人們自然而然地受到啟發，因此更適合人工智能算法。人們開發起來更方便，理解起來也更方便。生命得到了發展。因此，在今后的工作和生活中，我們應該積極向自然學習，從自然中汲取靈感，促進人類社會的進步。未來，人工智能的運行速度會更快，人工智能的發展所產生的人工智能的生產也會更先進、更發達，相信它會有所提高。

參考文獻

[1]張國鋒.人工智能下深度學習的語音識別方法分析[J].電子技術與軟件工程，2020（11）：176-177.

[2]張良.人工智能下深度學習的語音識別方法分析[J].計算機產品與流通，2020（06）：121.

[3]崔娟，吳磊.基于人工智能深度學習的語音識別方法分析[J].信息記錄材料，2019，20（09）：168-169.