语音识别

从隐马尔科夫模型到端到端神经网络

语音识别在 2010 年代以前主要依赖 GMM-HMM 架构（高斯混合模型 + 隐马尔科夫模型），系统复杂、调优困难。2012 年微软研究院与多伦多大学合作，引入深度神经网络（DNN）替换 GMM，词错率下降 30%，引发行业转型。

2015 年百度发布 Deep Speech 2，用端到端 RNN 直接从声学特征预测文字序列，无需手工设计语言模型。2022 年 OpenAI 发布 Whisper，在 68 万小时多语言数据上训练，英语词错率约 2.7%，且完全开源，支持本地部署。[1]

实际挑战与应用场景

• 噪声环境：咖啡厅、地铁里的识别准确率下降明显，波束成形麦克风阵列（如 Amazon Echo 的 7 麦圆形阵列）是主要解决方案
• 方言与口音：普通话识别已接近完美，粤语、闽南语等方言仍有较大差距；英语对印度口音的识别率也明显低于美式英语
• 专业词汇：医疗转录需要识别药品名、手术术语，NuanceDax 专门为此做了领域适配
• 实时字幕：Google Meet、微软 Teams 均内置实时转录，延迟控制在 1-2 秒内