信息是如何從我們的大腦傳遞給計算機的？從早期的鍵盤(pán)到我們口袋里的觸摸屏，我們逐步擴展了人機數字交互的方式。隨著(zhù)自動(dòng)語(yǔ)音識別（ASR）技術(shù)的發(fā)展，人工智能系統與真正“人類(lèi)”交流的方式的差距逐漸縮短。

　　本質(zhì)上講，語(yǔ)音識別可將人的語(yǔ)音轉換為文字，允許人機進(jìn)行語(yǔ)音對話(huà)。

　　現今的語(yǔ)音識別主要通過(guò)將數據集直接輸入算法來(lái)進(jìn)行語(yǔ)音模型的訓練。通常，工業(yè)界為了適應不同年齡、不同地域、不同人群、不同信道、不同終端和不同噪聲環(huán)境的應用環(huán)境，往往需要大量語(yǔ)音語(yǔ)料和文本語(yǔ)料來(lái)進(jìn)行訓練，使之有效提高識別率。隨著(zhù)移動(dòng)互聯(lián)網(wǎng)的發(fā)展，大量文本和語(yǔ)音語(yǔ)料可從多個(gè)渠道進(jìn)行獲取，為語(yǔ)音識別的語(yǔ)言模型和聲學(xué)模型的訓練提供了豐富的資源，使得通用大規模語(yǔ)言模型和聲學(xué)模型成功構建。

　　靈云語(yǔ)音識別能力基于捷通華聲公司最新一代的識別算法、解碼器核心、現今的聲學(xué)模型和語(yǔ)言模型訓練方法，在核心的聲學(xué)模型、語(yǔ)言模型、解碼器上都有創(chuàng )新和突破。目前，靈云語(yǔ)音識別系統的主力模型為CTF模型，該模型有效的提升了語(yǔ)音識別引擎的執行效率、增強了對不同口音、語(yǔ)速的適配能力，大幅提升了多人會(huì )談、遠揚講話(huà)的識別率。

　　靈云語(yǔ)音識別能力基于聲學(xué)模型，用于搭建音頻信號和音素，就像應用數字溫度計將溫度度數轉換為數字一樣，聲學(xué)模型可將聲波轉換為計算機語(yǔ)言。靈云語(yǔ)音識別系統應用端到端（E2E）模型，可快速拓展多語(yǔ)種，減少解碼時(shí)間，提高語(yǔ)音識別準確率。

　　靈云語(yǔ)音識別能力可以準確實(shí)現話(huà)者分離，不但在多人會(huì )議談話(huà)場(chǎng)景下應用智能會(huì )議記錄中至關(guān)重要，而且還可避免因兩位發(fā)言者同時(shí)發(fā)言的語(yǔ)音組合一個(gè)無(wú)意義的記錄而造成的混淆。靈云語(yǔ)音識別的話(huà)者分離模塊采用了聲紋識別技術(shù)及語(yǔ)義理解技術(shù)，新版本引擎在原有話(huà)者分離算法基礎上，增加了對采用字詞分割輔助的方法進(jìn)行話(huà)者分離的支持。該算法下，在正常 VAD 切分獲得初始分段的基礎上，還會(huì )使用免 VAD 的 方法先進(jìn)行識別，得到識別出的詞邊界，再利用此邊界對初始分段進(jìn)行修正，并輔助話(huà)者的聚類(lèi)。

　　捷通華聲作為國內最早期從事人工智能技術(shù)研發(fā)和產(chǎn)業(yè)化應用的企業(yè)，在成立之初便確定“融合技術(shù)、融合應用、融合服務(wù)”發(fā)展理念，以場(chǎng)景需求為導向，本著(zhù)對核心技術(shù)孜孜不倦的探索精神和務(wù)實(shí)推進(jìn)的原則，在保持技術(shù)先進(jìn)性的同時(shí)，不斷創(chuàng )新場(chǎng)景應用。

　　靈云語(yǔ)音識別能力在各行各業(yè)都有出色承擔應用程序和創(chuàng )新用例，在會(huì )議、談話(huà)、演講等現實(shí)場(chǎng)景中，它都可為客戶(hù)提供語(yǔ)音支撐技術(shù)，為客戶(hù)提供便捷工作、生活方式。

　　以呼叫中心為例，靈云語(yǔ)音識別能力可部署到全自動(dòng)聊天機器人中，可監控客戶(hù)人機交互，以更快地解決問(wèn)題以及改進(jìn)員工培訓。“某公司應用靈云語(yǔ)音識別能力將客戶(hù)事件平均處理時(shí)間減少40%，自助服務(wù)率從 5% 提高到20%，員工成本降低多達 500 萬(wàn)，提高服務(wù)轉化率近 50%，極大提升了客戶(hù)滿(mǎn)意度和員工敬業(yè)度”。