码迷,mamicode.com
首页 > 其他好文 > 详细

语音、音频技术的一点思考

时间:2015-04-30 14:19:34      阅读:156      评论:0      收藏:0      [点我收藏+]

标签:音频 语音

语音和图像、视频一样,是人与人之间沟通的交流方式。

语音信号处理是一门综合性的学科,它与语音学、心理学、数字信号处理、计算机科学、模式识别等有着密切联系。

语音技术一般可以分为三大类:

 

1.人与人之间的通信:语音增强、语音编码、语音通信、VOIP等  

简单的说,以网络为载体,实现人与人之间的语音通信,涉及到语音前端去噪,增强,语音压缩编码等。

     语音增强、语音去噪等, 主要解决的是前端问题,单纯的语音、音频处理技术主要应用在嵌入式方向。

     开源的像Webrtc、Speex之类。

     VOIP、语音通信主要对网络协议等需求更多一些,VOIP和传统移动语音通信相比,主要体现在价格上的优势,通话质量上和传统相比还是有一定差距。 现在移动运营商的收益也在逐渐减低,当价格上有所调整时,VOIP估计也很难生存了。

这一类岗位主要集中在芯片类、通信类、语音类、嵌入式、少数互联网公司:高通、联发科、展讯、科大讯飞、华为、思科、爱立信、哈曼、创新科技、微软Skype、腾讯等。

     语音、音频编码,做标准的很少,单纯做算法的也很少。主要需求集中围绕着具体的芯片在代码和性能做底层汇编优化,一般很少能涉及到算法层面的优化。

     开源的像ffmpeg 等,未来安卓平台也会像苹果一样,都支持硬解,所以这方面就业情况更窄。

     

2.语音合成:

简单的说,机器说话给人听,代替人把相关的信息绘声绘色的念出来。

主要流程:

    语音库  训练好模型

    文本分析,上下文语义分析,韵律分析,输出语音参数

    语音合成器输出

技术相对较为成熟,像HTS、Straight等,每一块模块都非常重要,都需要深入研究,才能合成出高质量的语音,所以需要整个团队成员配合。

功能:由文本产生语音,解放了用户的双眼。

应用:语音合成引擎,它的优化在于大规模,任意文本组合发音,目前市场上有懒人说书、听书之类的APP。

如果是小量的语音需求,完全用录音就可以代替,成本低。

 

3.语音识别和理解:

简单的说,人说话,机器能够听懂,能够按照人说的内容和指示,代替人完成相关的操作。相关的还有说话人识别、情感识别、语种识别、语音测评、语义理解等。

 

行业现状:

传统的语音公司:Nuance、科大讯飞、捷通华声等。

传统的软件类公司:微软、IBM等。

互联网公司:云知声、百度等。

 

一方面语音识别是最难的语音技术,搭建好识别平台相对容易,有很多开源的项目,像HTK、Kaldi,但是本质进一步提高识别率并不简单。

它包含了许多个模块技术,门槛很高,数学功底深厚,这一类的人才更加稀少。

首先,必须要准备好大量的语音库,做好训练和识别。

其次,就算你只深入到语音识别的某一项技术,首先必须搭建一整套识别流程来检测实验的效果。

再者,基本上各个模块都能影响到识别率,特别是噪声,所以也必须要熟悉这些模块。

最后,还有其它技术还在等着你,中文分词、语言模型的训练和建立、以及后期的自然语言处理、语义识别、云端服务等。

 

另一方面,目前语音识别盈利模式还不是很明朗,所以也决定了投入这一块的人力也很稀缺。 

早期做这一块的微软和IBM基本上也不靠这个盈利,Nuance的赢利点主要在车载、医疗转录等,最后也是与苹果合作,做了款SIRI,火了一把。

国内的科大讯飞,在识别方向盈利也很低。

http://www.huxiu.com/article/9885/1.html

该公司的营收主要依靠传统业务如普通话测评、英语测评、呼叫中心、嵌入式语音导航和毛利率很低的信息工程业务。

所以“科大讯飞”、云知声开放了自己的云平台,提供免费API,给产品应用公司提高效率,降低成本,侵占更大的市场,将语音技术融入到互联网当中,势必会有一些小语音公司或者团队将会解散。

 

尽管如此,语音识别仍然是解决用户与机器交互体验性最好的方式,未来前景一片光明。

语音公司向来不依赖于员工规模,关键的是几个技术大牛,所以语音公司或者部门人数比较少,令缺勿滥。

未来只有少数比较牛的团队才能生存下来,其它的都会被Kill掉。


一方面,互联网语音技术,用户肯定免费,所以未来语音公司可能向第三方公司收取费用,也就是说,语音公司是给大多数公司提供解决方案,第三方公司给报酬。因此大公司BAT都有组建自己的语音团队,不依赖第三方,效果据称不错。

另一方面,语音技术公司未来可能会转型,不单单给第三方公司提供语音技术支撑,将技术转化成产品,语音公司也将会开发直接面向用户的产品,将盈利方式多样化,所以未来应用开发的产品人员需求可能增多。


4.音乐技术:

听音识曲,放个音乐片段,能检索出歌曲的名称。

哼唱识曲:哼唱音乐片段,能检索出歌曲的名称。

这个需求主要存在于互联网音乐类软件中,目前大多数播放器都有自己的检索,其它主要依赖于音乐雷达。


从对语音、音频技术来看整个技术行业:

技术里面,掌舵好方向,提供解决方案的人才是最重要的。

技术一般依赖于团队,一个人很难撑起。

技术能细化成很多单元,每个人精力有限,只是其中的一颗螺丝钉,只能深入一部分,了解整个全局。

不能够单纯搞技术,技术的追求永远是无止境的。

技术更新是非常快的,特别是在开源的大趋势下,所以在年轻的时候必须淘到钱。

做技术要像医生一样,做些有积累性的技术,应用面、公司比较需求比较宽的技术,这样才会值钱。太窄的技术只会把人作死,除非是在大公司还可以换岗。

技术必须转化成产品,必须有盈利才会持久。

做技术的同时,结交各种各样的人才,多多开阔眼界,说不定,有一天,你需要他们,或者他们需要你。

再感兴趣的事情,干多了也会觉得没啥意思,最后都是往钱看,特别是年龄越大的时候。

尽量接触一些产品,能将自己的技术沉淀到产品中,开发出一个自己的产品。

 

互联网的精神是开源,最需的是创意、点子。

总而言之,技术整个产品线的一环,它是为了解决问题而存在,问题是因为用户需求在,解决需求是因为有钱在推动。

语音、音频技术的一点思考

标签:音频 语音

原文地址:http://blog.csdn.net/weiqiwu1986/article/details/45393461

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!