在數字音頻領(lǐng)域，音頻質(zhì)量是對從電子設備輸出的音頻的準確性，保真度和清晰度的評估。
鑒于音頻是自動(dòng)語(yǔ)音識別（ASR）系統的主要輸入，因此，音頻質(zhì)量對于最大化此類(lèi)系統的性能至關(guān)重要。
音頻質(zhì)量越差，ASR系統的轉錄就越困難，這將導致轉錄的準確性降低。
Rahul Shankar在Voci的部分職責包括評估客戶(hù)的音頻質(zhì)量，并向客戶(hù)提出個(gè)性化建議，以?xún)?yōu)化其音頻質(zhì)量以生成最準確的筆錄。
因此，在本博客中，Rahul Shankar將討論最佳音頻質(zhì)量實(shí)踐，以確保您的ASR系統發(fā)揮最佳性能。
確保高質(zhì)量的通話(huà)記錄
如果您要錄制和制作音樂(lè )，則無(wú)需進(jìn)行任何后期處理就可以解決由于樂(lè )器錄制不佳而引起的問(wèn)題。
不管是什么原因引起的問(wèn)題（例如，麥克風(fēng)放置不當，背景噪聲，混響問(wèn)題），如果原始錄音的質(zhì)量很差，在后期制作中就幾乎無(wú)計可施。
這幾乎完全適用于語(yǔ)音到文本技術(shù)。與所有其他因素相比，質(zhì)量差的源音頻對字錯誤率（WER）的影響更為嚴重。
這就是為什么。人腦具有將聽(tīng)覺(jué)注意力集中在特定刺激上的能力，同時(shí)濾除一系列其他刺激。
例如，參加聚會(huì )的人可以專(zhuān)注于嘈雜房間中的單個(gè)對話(huà)。（鑒于這種例子的普遍性，這種能力通常被稱(chēng)為“雞尾酒會(huì )效應”。）
ASR系統無(wú)法做我們人類(lèi)所能做到的--將注意力集中在特定的刺激上。它將所有刺激視為聲音輸入。引入失真的聲學(xué)背景（例如在上面的雞尾酒會(huì )示例中）將大大降低ASR的有效性。
對于某些背景噪聲源（例如電視，廣播/音樂(lè )，交通噪聲等），識別引擎可能會(huì )對其進(jìn)行調整或解決。
但是，與語(yǔ)音共享相同頻率范圍的源更具挑戰性。例如，請考慮是否有麥克風(fēng)接聽(tīng)附近的呼叫中心座席。
一個(gè)人可以輕松地區分聲音。一個(gè)ASR系統卻會(huì )發(fā)現非常困難。ASR無(wú)法徹底可靠地濾除的任何背景噪聲都會(huì )對WER產(chǎn)生不利影響。因此，高質(zhì)量的記錄很重要。
避免錯誤的轉碼
代碼轉換是一種編碼形式到另一種編碼形式的直接數模轉換，即將文件從一種格式更改為另一種格式。許多呼叫記錄系統都會(huì )這樣做，以最大程度地利用數字存儲空間。
在音頻轉碼中，有四種轉碼類(lèi)型，每種類(lèi)型對ASR轉錄的成功都有不同的影響：
- 無(wú)損到無(wú)損
- 無(wú)損到有損
- 有損到有損
- 有損到無(wú)損
無(wú)損到無(wú)損轉碼是唯一安全且建議的轉碼形式，因為在此過(guò)程中不會(huì )丟失音頻信息。
例如，從.wav文件轉換為.flac文件是無(wú)損壓縮的一個(gè)示例，通常用于節省磁盤(pán)空間而不影響質(zhì)量。
磁盤(pán)上以8位/16kHz頻率運行的10分鐘單聲道。wav文件約為9.8MB，而flac壓縮后的同一文件約為5.6MB。
相反，兩種形式的有損轉碼都會(huì )降低質(zhì)量。更糟糕的是，壓縮偽像是累積的。這意味著(zhù)無(wú)損轉碼將在每次連續轉碼過(guò)程中導致質(zhì)量的逐漸損失，這被稱(chēng)為“數字世代損失”。
此過(guò)程是不可逆的，因此也稱(chēng)為“破壞性轉碼”。因此，強烈建議不要在有損格式之間或之內進(jìn)行有損格式的代碼轉換，并且可能會(huì )在自動(dòng)轉錄過(guò)程中產(chǎn)生問(wèn)題。
有損到無(wú)損的轉碼（又稱(chēng)為上采樣）甚至更糟。它遭受雙重受損。此過(guò)程首先從有損文件的音頻質(zhì)量差開(kāi)始，然后增加未壓縮文件的文件大小。
由于首先創(chuàng )建（丟失）文件的（破壞性）轉碼過(guò)程中造成的信息丟失是永久且不可逆的，因此對文件進(jìn)行無(wú)損轉碼只會(huì )增加文件大小，而不會(huì )提高質(zhì)量。
明智地選擇編解碼器
這有點(diǎn)技術(shù)性，但是在研究通話(huà)記錄技術(shù)時(shí)，它是一項重要功能。
語(yǔ)音編碼的目標是在給定的比特率下使失真最小化，或在可接受的失真度下使比特率最小化。
但是，作為這種失真的客觀(guān)衡量指標的信噪比（SNR）與感知的語(yǔ)音質(zhì)量并沒(méi)有很好的關(guān)聯(lián)。
因此，語(yǔ)音編碼器的性能通常使用主觀(guān)評分方法來(lái)衡量，該方法稱(chēng)為平均意見(jiàn)評分（MOS）。
MOS的測量范圍為0-5.4.0-4.5的值稱(chēng)為“收費質(zhì)量”，代表用戶(hù)完全滿(mǎn)意。
這是公用電話(huà)交換網(wǎng)（PSTN，我們都知道的標準電話(huà)網(wǎng)）的正常值。它也是大多數VoIP電話(huà)服務(wù)提供商的基準。
即使仍可理解，MOS得分等于或低于3.6，也被許多用戶(hù)認為是不可接受的。
G711是實(shí)現最佳ASR性能的理想編解碼器。從理論上講，沒(méi)有任何編解碼器可以比G711更好地執行，因為它提供了最佳的質(zhì)量，沒(méi)有壓縮和最低的算法延遲。
在無(wú)法使用G711的情況下，應使用在MOS評估中始終穩定在4.0以上的編解碼器，例如G726，G722.1和GSM-EFR。
聲明:版權所有 非合作媒體謝絕轉載
原文網(wǎng)址：https://www.callcentrehelper.com/get-best-speech-recognition-system-158324.htm
