北京
聊天记录里攒了一堆语音，有些内容值得留下来变成文字。要完成这件事，得先把音频导入，再跑语音识别，最后拿到干净的结果。中间隔着好几层技术，每一层都决定了最后出来的是什么。
导入这一步，先要解压
聊天应用里的语音消息都是压缩格式存的，常见的有 AMR、SILK 和 OGG。这些编码用音质换体积，在移动网络上传输时很合理。会议纪要类应用会直接处理这些格式：导入环节抽出原始音频流，解压成 PCM，再送进转写流程，不需要额外的第三方转换工具。这类应用支持九种主流音频格式和十三种视频容器。
识别引擎怎么干活
转写底层跑的是一个神经声学模型，配一个语言模型解码器。声学模型把音频切成 25 毫秒一帧，把每一帧转成音素概率分布；语言模型再从这些分布里挑出最可能的词序列。在安静房间里录的干净普通话音频，准确率大约 98%。真实环境要乱得多。
降噪是分阶段做的
稳态噪声交给谱减法：分析频谱，从静音区间估计出噪声轮廓，再从有声语音里把这个轮廓减掉。风扇嗡嗡声、空调声、发动机低频声都属于这一类。
非稳态噪声——突然的关门声、远处的说话声、键盘敲击声——由基于深度神经网络的增强模块接手。一个噪声估计网络和语音增强网络并行运行，实时跟踪背景变化，动态调整增强参数。
在环境噪声约 45 到 55 分贝的办公环境里，这套组合方案能把有效噪声降低大约 15 到 20 分贝。对可懂度来说，这个差距很实在。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
