语音识别播报平台设计（语音识别开放化开发平台有哪些）

本文目录

• 语音识别开放化开发平台有哪些
• 语音交互设计：设计流程与方法
• 语音识别的系统实现
• 小米3手机语音播报功能如何设置
• 电脑通达信语音播报怎么设置
• tts语音播报模块工作原理
• NRK3301语音识别芯片在智能开关控制器上的语音方案设计

语音识别开放化开发平台有哪些

语音识别开发平台有很多，具体总结如下：（更详细的介绍参见本人的博文：几个常见的语音交互平台的简介和比较）
1.商业化的语音交互平台
1)微软Speech API
微软的Speech API（简称为SAPI）是微软推出的包含语音识别（SR）和语音合成（SS）引擎的应用编程接口（API），在Windows下应用 广泛。目前，微软已发布了多个SAPI版本（最新的是SAPI 5.4版），这些版本要么作为于Speech SDK开发包发布，要么直接被包含在windows 操作系统中发布。SAPI支持多种语言的识别和朗读，包括英文、中文、日文等。
2).IBM viaVoice
IBM是较早开始语音识别方面的研究的机构之一，早在20世纪50年代末期，IBM就开始了语音识别的研究，计算机被设计用来检测特定的语言 模式并得出声音和它对应的文字之间的统计相关性。1999年，IBM发布了VoiceType的一个免费版。2003年，IBM授权ScanSoft公司拥有基于ViaVoice的桌面产品的全球独家经销权，随后ScanSoft与Nuance合并，如今viaVoice早已淡出人们的视线，取而代之的是Nuance。
3）Nuance
Nuance通讯是一家跨国计算机软件技术公司，总部设在美国马萨诸塞州伯灵顿，主要提供语音和图像方面的解决方案和应用。目前的业务集中 在服务器和嵌入式语音识别，电话转向系统，自动电话目录服务等。Nuance语音技术除了语音识别技术外，还包扩语音合成、声纹识别等技术。世界语音技术市场，有超过80%的语音识别是采用Nuance识别引擎技术， 其名下有超过1000个专利技术，公司研发的语音产品可以支持超过50种语言，在全球拥有超过20亿用户。苹果的iPhone 4S的Siri语音识别中就应用了Nuance的语音识别服务。
4）科大讯飞
科大讯飞作为中国最大的智能语音技术提供商，在智能语音技术领域有着长期的研究积累，并在中文语音合成、语音识别、口语评测等多项 技术上拥有国际领先的成果。占有中文语音技术市场60%以上市场份额，语音合成产品市场份额达到70%以上。
5）其他
其他的影响力较大商用语音交互平台有谷歌的语音搜索（Google Voice Search），百度和搜狗的语音输入法等等。
2.开源的语音交互平台
1）CMU-Sphinx
CMU-Sphinx也简称为Sphinx（狮身人面像），是卡内基 - 梅隆大学（ Carnegie Mellon University，CMU）开发的一款开源的语音识别系统， 它包括一系列的语音识别器和声学模型训练工具。最早的Sphinx-I 由@李开复 （Kai-Fu Lee）于1987年左右开发，使用了固定的HMM模型（含3个大小为256的codebook），它被号称为第一个高性能的连续语音识别 系统（在Resource Management数据库上准确率达到了90%+）。 最新的Sphinx语音识别系统包含如下软件包：
 Pocketsphinx — recognizer library written in C.
 Sphinxbase — support library required by Pocketsphinx
 Sphinx4 — adjustable, modifiable recognizer written in Java
 CMUclmtk — language model tools
 Sphinxtrain — acoustic model training tools
这些软件包的可执行文件和源代码在sourceforge上都可以免费下载得到。
2）HTK
HTK是Hidden Markov Model Toolkit（隐马尔科夫模型工具包）的简称，HTK主要用于语音识别研究，最初是由剑桥大学工程学院（Cambridge University Engineering Department ，CUED）的机器智能实验室（前语音视觉及机器人组） 于1989年开发的，它被用来构建CUED的大词汇量的语音识别系统。HTK的最新版本是09年发布的3.4.1版，关于HTK的实现原理和各个工具的使用方法可以参看HTK的文档HTKBook。
3）Julius
Julius是一个高性能、双通道的大词汇量连续语音识别（large vocabulary continues speech recognition，LVCSR）的开源项目， 适合于广大的研究人员和开发人员。它使用3-gram及上下文相关的HMM，在当前的PC机上能够实现实时的语音识别，单词量达到60k个。
4）RWTH ASR
该工具箱包含最新的自动语音识别技术的算法实现，它由 RWTH Aachen 大学的Human Language Technology and Pattern Recognition Group 开发。RWTH ASR工具箱包括声学模型的构建、解析器等重要部分，还包括说话人自适应组件、说话人自适应训练组件、非监督训练组件、个性化 训练和单词词根处理组件等。
5）其他
上面提到的开源工具箱主要都是用于语音识别的，其他的开源语音识别项目还有Kaldi 、simon 、iATROS-speech 、SHoUT 、 Zanzibar OpenIVR 等。

语音交互设计：设计流程与方法

“语音交互设计仅靠书本上的知识是不够的，在实际项目中，除了要了解需求、目标用户以外，还要了解语音设计所应用的场景、技术水平、设备配置等，从而有的放矢的展开设计。本文结合参与的项目，将语音交互设计的流程、设计关键点以及如何通过设计化解技术限制，和大家进行分享。”

相关文章：《语音交互设计（一）：VUI发展及特征》

笔者所参与的项目是“公司机房服务的工业机器人” 的语音设计，这类产品的功能比家用设备的更为强大，除了语音外，它支持：行走、人脸识别、任务解析、数据采集等，同时场景也更为复杂。首先机房环境声音嘈杂、环境复杂；它的性质又决定对人员的安全要求极高，需要准确的识别与判断，这些在了解需求阶段是必须明确的环节。

机器人的主要功能就是辅助参观人员、维修人员、驻场工程师更好的完成机房工作，实现机房业务管理智能化，提高运维管理效率和准确率。那么作为体验设计方，则是通过各场景、各环节的体验设计，让人与机器人、与系统的交互高效、自然、流畅，让智能化的机房日常运维管理更加完善。

在上一篇文章中对主要的五种场景（智能家居、车载驾驶、企业应用、医疗、教育）分别进行了介绍。不同的场景，意味着用户不同的需求和目的，对语音交互的要求也不相同。下面就针对机房环境进行场景分析与设计难点的介绍。

图2 · 机器人功能及场景特征

1.2.1工作场景

恒定噪音：作为机房服务场景的语音机器人，使用环境声音的嘈杂首先会影响语音录入的准确性。语音交互包含三个重要部分：自然语音识别、自然语音理解、自然语音生成， 因此解决设备“听”清楚的问题，关系到后续流程能否顺利展开。这里就需要依靠“设备技术”来解决，通过优化听筒的降噪能力，尽量过滤掉噪音。

环境复杂：机房中机柜众多，服务器高低不一、设备管线错综复杂，如图3：这给机器人的正常作业带来挑战，尤其是这种对安全性和准确性要求很高的场景。首先，机房包间中的环境光线影响机器人对人脸的识别和机柜数据的读取；其次，机柜中服务器位置高低不同，机器人需要不断调整摄像头的角度，以确保采集到完整信息，也可能存在视野死角导致无法全部读取。这一部分，则需要通过不断的测试与调整，提高机器人自身性能，使其更好的适应现场环境，具有设备、网络线缆的识别能力，减少不必要的“人为”破坏，增加人脸、数据识别的准确性。

图3 · 一般的机房环境

空间局促：在机房中机柜之间的空间不大，过道也比较狭窄，这给机器人行走带来一定影响。第一：行走速度不能过快，由于机器人自重150斤，走路太快会有惯性，有可能出现不小心撞到机柜的情况；第二：很多时候无法和人并行走路，这导致人机互动体验不好，再加上机器人本身走的慢，很有可能出现“人走在前面，遮挡住机器人视线”的问题。为此，在设计语音时，只要机器人感应到有遮挡，便会：“我好像被挡住了，请保持前方通畅”，以此来友善的提醒用户，减少这种封闭环境下用户的不适应。

1.2.2 目标用户

通过团队的调研，收集到在整个数据中心有5类用户，其中会进入机房与机器人直接发生交互的主要有三类：访客、厂商、数据中心驻场，如图4。图中是这三类用户的工作内容与场景接触点，确认目标用户，便于设计对后续用户调研的聚焦与体验地图的梳理。

图4 · 用户分析

1.3.1硬件

硬件来说，目前的语音产品包括：纯语音（天猫精灵）和语音及界面结合（iphone的siri）两种配置。在设计之初，我们需要了解语音产品的基本硬件配置，这其中也包括麦克风、摄像头、听筒、设备联网程度等，因为，产品的配置会影响我们后期的设计策略与体验。例如问语音产品：“世界十大旅游胜地都是哪些？、中国56个名族都有什么？”，即便语音助手可以准确的告诉我们答案，但无疑是一个沉重的认知与记忆负担，如果配合屏幕来显示，情况会好很多。最好的人机交互形式是混合型的，即GUI+VUI（图像交互+语音交互）如图echo show，如果你所设计的是纯语音产品，那么在设计时则需要考虑更多的引导、容错、提示等。

图5 · 亚马逊Echo Show

本次项目中所涉及的机器人不带显示屏幕，并且语音不联网，这就意味着所有对话都需要提前预设好，设计师需要根据可能出现的情况，将对话内容完善，并且做必要引导，让用户按照系统期望的流程进行，确保工作顺利、安全的开展。如下图：在设计时，对于较长对话，在内容中加入“如果没听清楚，请回复我‘重复一遍’〞的提示，避免用户没有听清而错过信息；同时对于用户的回答，也给予答案提示，“维修结束时请回复我‘维修结束’ 〞通过设计去尽量规避机器人硬件的缺陷，减少“答非所问”的错误发生率和用户回答的发散，提高语音交互流程的顺畅。

图6 ·语音交互引导示例

1.3.2算法：

算法方面，则需要通过机器“深度学习”，不断完善语音识别、语音理解及语音合成的水平。目前，语音识别方面还面临很多技术挑战，如：

恒定噪音（公路上、机房中）和突发噪音（突然异常大声）。

多人讲话，设备能否识别其中一条信息；同样多设备时，如何辨别自己的主人在说话。

儿童说话逻辑性较弱，容易出现口吃、长时间停顿等现象。

“是”、“不”这种短句提供的数据信息较少，会造成识别率低。

比如人名，同样的音会有多种书写文字“清”“轻”，会影响语音识别的准确性。

更多关于机器人“深度学习”的内容大家可以自行了解，这里不展开讨论。

具体在分析聚焦阶段，设计的思路是：用户调研聚类分析角色建模体验设计。围绕与机器人相关的机房工作人员，提升他们在工作中的服务体验，确保顺畅、安全、高效的工作流程。

图7 ·用户分析

针对第一章节中定位的三类用户，我们通过问卷，进⾏用户访谈，旨在了解各个不同角⾊的用户他们工作的内容、需求，以及有哪些痛点可以抽取出来由机器人替代，从而优化各角色的服务体验。

图8 ·用户问卷设计

共计访问10位用户，包含各个角色。访问之后，我们对用户访谈的结果进行整理，整理维度有：日常工作描述、工作中的需求与期望、对机器人工作融入的畅想与担心。在此基础上，完成用户角色建模，通过各类角色的工作内容、痛点、情景设定、工作评分这四个主要方向进行描述与呈现，以驻场工程师为例，具体的用户角色卡如下图所示：

图9 ·用户角色信息卡–驻场

最终根据用户画像和调研中收集的问题进行聚类分析，集中梳理与归类，得到用户诉求，即对机器人应用场景下的机房服务的“服务主张”，围绕“安全”“规范”“高效”三个方面。这三个机房服务的体验目标，也是作为后续机器人语音设计所要达到的基本要求。

图10 · 机房服务主张

与机器人交互的环节涉及到线上、线下，从线上任务的提交到线下与机器人真实交互，再到过程中机器人收集信息的回传，整个闭环链路构成机房机器人服务体验的核心。以其中导览场景为例，介绍整体流程，线上的主要触点：任务申请任务生成任务确认任务存档；线下的主要触点：任务下发机器人唤醒及用户身份验证任务执行任务结束，具体的触点详情及语音流程见下图：

图11 · 机器人服务体验流程

经过体验地图的梳理与流程规划，去构建合理、有序的流程，在任务执行过程中保证人机交互“自然、亲切、可靠”的体验，同时配合技术优化，完善机器人语音交互的丰富度，在语音交互设计中也会利用适当的引导与必要的提示，以更自然的方式消除异常时的尴尬，快速做到工作衔接。

VUI产品是一个虚拟的人与用户直接沟通，因此，沟通对象的语气风格、性格等则是用户接触的第一感受，为了提升真实性，定义一个符合自己产品调性的角色至关重要，也是着手真正语音设计的第一步。

这里的角色，是通过应用程序的语音及语言选择，塑造一个符合品牌服务特征，并且具有人格或心理的形象

在本次项目中，笔者在开始设计时，也先对机器人的语音调性和语气风格做了定义，根据语音交互场景和机器人的功能特性，语气规范追求的是：笃定、尊重、正式、亲切的感受，既让用户感受到机器人工作的严谨性与安全性，又让整个服务体验兼具友善、和谐与温度。

图12 · 机器人语音调性与语气规范

以“笃定”为例，表达语气的说明和示例，通过语气规范，统一整个语音交互原型的调性。

图13 · 语气规范示例

在设计时，我们可以用“真实的人物”来定义声音特征与沟通基调，分析、了解真实人物模型的个性特征。例如儿童早教类语音产品，可以以大家熟知的“金龟子”为人格原型进行定义，沟通中模仿她的语气、用词，让儿童感到亲切并符合服务对象的特征喜好。同时，我们需要设定“期望人们如何看待我们的语音产品”，传达怎样的服务理念。

图14 · 人物模型

但这里值得注意的是，现在很多语音助手支持语音选择，如男声、女声、少年等。我们要知道，“改变声音的同时，就意味着换了不同的人格”，他们的语音交互特征、形式等应该发生相应变化。同样一句很可爱、很活泼的话，小孩说合适，但如果换到“成熟男士”，多少会有些不合时宜。

图15 · 人物语气的多种性格

语音设计的原型更像是“剧本设计”，需要考虑在哪个场景下，包含什么角色、他们如何对话、如何过度衔接、具体的语言如何等，如下图就是在此次项目中输出的语音设计原型，具体内容涉及到信息隐私，这里就不展开了，但是整个语音交互脚本中，对场景、角色、对话脚本备注图例、脚本正文等都做了明确定义与设计，后面就围绕如何做好交互引导、反馈、异常处理这四个方面进行介绍。

图16 · 语音交互脚本原型

3.2.1 语音交互引导

在设计语音脚本内容时，需要特别考虑VUI与人对话过程的语言衔接、对话内容的顺畅，并且能够自然的完成设想的任务。例如当询问用户信息时，最好给出一些示例，而不是说明。以下两句话大家可以明显感受到体验的差异，对于用户来说，参照示例填写信息，比理解一个通用指令更加容易。

“请告诉我你的出生日期，如2017年12月12日”

“请告诉我你的出生日期，包括年月日”

3.2.2语音交互反馈

在GUI界面中，“确认反馈”随处可见，点击一个按钮、进行一个操作，我们会设计不同重要程度的交互反馈；在VUI中，同样有不同程度的“确认反馈”，本文主要将他们分为三种：显性确认、隐形确认、视觉确认。

图17 · 语音交互反馈

3.2.3语音交互异常处理

语音可能存在的异常情况主要有以下四种：

在设计中，我们可以按照不同的异常情况，设计多种脚本，提高产品容错性，缓解异常时候的尴尬，在此例举些常见的用户语音输入错误的回答，如图18。

图18 · 用户输入错误时的回答

以项目中团队采用的两种脚本测试方式为例，分别是：剧本朗读和语音转换工具。通过剧本朗读，体验对话的流畅程度，确认是否存在对话呆板、重复、不自然的情况；通过文字转语音工具，如QQ语音转化，可以较真实的感受机器将对话说出来的效果。

图19 · 语音设计原型测试

设计交付后，功能开发完成，进入语音设备可运行阶段，这时系统具备测试功能。测试调优的方法同样给大家列举两个：一是可以通过开发、设计人员，进行实际人机测试，了解语音功能是否稳定、任务完成率如何、整个体验流程是否自然顺畅；二是可以通过用户观察的方法进行调研，找到符合特征的目标测试用户，利用机房的监控摄像头，观察“自然状态下”的用户如何工作，这样不会干扰用户，更贴近真实的使用情景。

图20 · 人机使用测试

以上是笔者首次接触语音交互设计的设计经过，对VUI设计中的知识点、流程、方法进行的总结，仍有很多不全面之处，后续随着项目的迭代和设计的深入，逐步去完善体验，总结沉淀。

【1】参考书籍：《语音用户界面设计》 Cathy Pearl (著)王一行(译)

TXD技术体验设计（公众号）

作者：晏菲

语音识别的系统实现

语音识别系统选择识别基元的要求是，有准确的定义，能得到足够数据进行训练，具有一般性。英语通常采用上下文相关的音素建模，汉语的协同发音不如英语严重，可以采用音节建模。系统所需的训练数据大小与模型复杂度有关。模型设计得过于复杂以至于超出了所提供的训练数据的能力，会使得性能急剧下降。
听写机：大词汇量、非特定人、连续语音识别系统通常称为听写机。其架构就是建立在前述声学模型和语言模型基础上的HMM拓扑结构。训练时对每个基元用前向后向算法获得模型参数，识别时，将基元串接成词，词间加上静音模型并引入语言模型作为词间转移概率，形成循环结构，用Viterbi算法进行解码。针对汉语易于分割的特点，先进行分割再对每一段进行解码，是用以提高效率的一个简化方法。
对话系统：用于实现人机口语对话的系统称为对话系统。受目前技术所限，对话系统往往是面向一个狭窄领域、词汇量有限的系统，其题材有旅游查询、订票、数据库检索等等。其前端是一个语音识别器，识别产生的N-best候选或词候选网格，由语法分析器进行分析获取语义信息，再由对话管理器确定应答信息，由语音合成器输出。由于目前的系统往往词汇量有限，也可以用提取关键词的方法来获取语义信息。

小米3手机语音播报功能如何设置

如今智能手机的丰富越来越丰富，语音技术也变得愈发成熟，比如小米3手机就支持语音，当来电或者来短信的时候，会语音来电人名称或者短信信息等，这对于懒人或者开车族来说，语音功能还是非常实用的。不过小米语音默认是关闭的，小米3怎么打开语音？相信很多网友还没有设置过，以下笔者为大家带来详细的小米3语音设置图文教程。

小米3怎么打开语音 小米3语音设置图文教程

一、首先进入小米3 设置- 语言和输入法 - 语音识别程序- 然后选择讯飞语音识别3.0，如下图所示：

小米3语音设置步骤一

二、然后在 文字转语音（TTS）输出 - 选择科大讯飞语音引擎3.0（这个默认为pico TTS（安卓语音包，支持英语、西班牙语等），如果选择pico TTS，需下载相应语音包），如下图所示：

三、小米3语音助手设置

以上部分设置完成后，返回小米3桌面，长按屏幕底部最下位置的菜单键，调出语音助手，再点一下菜单键，点击“设置”，在弹出的语音设置窗口中在选择“任何时候”，如下图所示：

四、开启小米语音后，我们再点击讯飞语音识别，之后选择你喜欢的语音包即可，如下图所示：

通过以上简单的几个步骤，我们就完成了小米3语音设置了，至此大功告成了，之后就可以去体验一下小米3的语音功能。

电脑通达信语音播报怎么设置

系统保证是WIN10的，然后控制面板里进行“语音识别”设置，然后再打开软件里的“语音”，进行设置。
通达信炒股软件是一款定位于提供多功能服务的证券信息平台，由深圳财富趋势科技股份有限公司设计的一款移动证券软件。通达信允许用户自由划分屏幕，并规定每一块对应哪个内容。
通达信软件集沪深、港股、美股、期货、期权、基金、宏观以及外汇等市场行情于一体，适用于所有投资者；创新结合沪深数据，推出DDE决策、个股板块资金流向、主题事件、一致预期、持股变动、龙虎榜单等特色功能；提供沪深、港股及美股市场行情，支持自选、排名、板块以及各种技术指标。

tts语音播报模块工作原理

根据查询相关资料信息语音识别的基本原理有语音识别包括两个阶段：训练和识别。不管是训练还是识别，都必须对输入语音预处理和特征提取。训练阶段所做的具体工作是收集大量的语音语料，经过预处理和特征提取后得到特征矢量参数，最后通过特征建模达到建立训练语音的参考模型库的目的。而识别阶段所做的主要工作是将输入语音的特征矢量参数和参考模型库中的参考模型进行相似性度量比较，然后把相似性最高的输入特征矢量作为识别结果输出。这样，最终就达到了语音识别的目的。

NRK3301语音识别芯片在智能开关控制器上的语音方案设计

智能开关在中高档家居、别墅等领域领先兴起，让这一部分人优先享受到现代 科技 带来的智能感受，必然带动用户的全面升级换代。

智能照明开关语音方案设计需求：

1、智能开关控制器主要满足两大部分的需求，一是使用智能语音实现对灯具设备上控制。二是必须保护使用者/住户的安全隐私不被泄露。

2、灯具控制

住户可以满足对客房所有的灯具的控制，包括筒灯、床头灯、灯带、浴室灯、廊灯等，同时通过场景模式，还可实现对灯具的调节与延迟关灯。

3、安全与隐私

对于家庭来说，保护家庭成员的个人隐私是非常重要的。

NRK3301芯片智能开关语音方案设计：

智能开关采用离线语音控制技术，因此无需网络、无需下载APP，即可进行离线语音控制照明设备，无泄漏隐私风险，可以有效地保护家庭成员的个人隐私。

智能照明开关厂家优选九芯电子的低成本NRK3301离线语音芯片实现语音控制开关。NRK3301语音识别芯片是离线语音识别芯片，采用最新的神经网络（TDNN）算法，具有识别精准，误判率低等优势，5米远场可靠识别。

置入NRK3301语音识别芯片的智能语音开关，开灯、关灯，都只是一句话的事，不论是下班回家还是半夜起来，一声令下，即刻为您开启灯光，特别是冬夜不想起床关灯? 只需要呼喊“小优小优”，轻松帮您搞定。

NRK3301芯片智能开关词条内容（可定制）：

1、欢迎使用XXX智能语音开关，我是小优，您可以叫我“小优小优”唤醒我；

2、小优小优——我在；

3、打开客厅灯——好的主人，已打开氛围灯；

4、关闭客厅灯——好的主人，已关闭氛围灯；

5、调亮一点——好的主人，已调至最亮；

6、调暗一点——好的主人，已调至最暗；

7、打开楼梯灯——好的主人，已打开楼梯灯；

8、关闭楼梯灯——好的主人，已关闭楼梯灯；

……

NRK3301语音识别芯片引脚图：

NRK3301语音识别芯片的功能特点：

NRK3301语音芯片的电路参考图：

九芯电子在智能照明行业中的NRK3301智能语音交互控制技术应用解决方案，结合照明行业的特点，在元器件成本、抗噪能力、语音识别准确率、语音控制距离、人机交互方式等方面进行了优化，并经过大量生产、用户验证和市场验证，证明本解决方案是成熟的，符合用户需求的，适合在本行业内大量应用。