【AI语音】智能语音常见的术语和图解

基础技术术语

• ASR（Automatic Speech Recognition，自动语音识别）
  将人类语音转换为文本的技术，如语音输入法、语音转写工具。

• TTS（Text-to-Speech，文本转语音）
  将文本转换为自然语音输出的技术，如导航语音、有声书。

• NLP（Natural Language Processing，自然语言处理）
  让计算机理解、生成人类语言的技术，应用于对话系统、语义分析等。

• NLU（Natural Language Understanding，自然语言理解）
  专注于理解语音或文本的意图、实体和上下文，如智能客服的意图识别。

• NLG（Natural Language Generation，自然语言生成）
  根据结构化数据生成人类可读的文本或语音回复。

语音处理典型Pipeline的图解

关键步骤说明

1. 预处理阶段

   • 降噪：抑制背景噪声（如谱减法、深度学习）

   • 回声消除：去除设备自身播放的声音反馈

   • VAD：切除静音片段，减少无效计算

2. 特征提取

   • 分帧加窗：将连续语音切分为20-40ms的帧

   • MFCC：提取人耳敏感的梅尔频率特征

3. ASR核心

   • 声学模型：判断语音帧对应的音素（常用CTC/Transducer）

   • 语言模型：修正识别文本的语法错误（N-gram/神经网络）

   • 解码器：联合声学+语言模型输出最优文本（波束搜索）

4. NLP处理

   • 意图识别：判断用户意图（如播放音乐/查询天气）

   • 实体抽取：提取关键参数（如歌曲名、城市）

5. TTS合成

   • 文本归一化：处理数字、缩写等（如"100"→"一百"）

   • 声学模型：预测语音频谱（Tacotron/FastSpeech）

   • 声码器：将频谱转为波形（WaveNet/MelGAN）

典型应用场景示例

flowchart TB
    User((用户说:"播放周杰伦的晴天")) --> Pipeline
    Pipeline --> 步骤1[ASR转文本]
    Pipeline --> 步骤2[NLP解析意图=播放音乐]
    Pipeline --> 步骤3[抽取实体:歌手=周杰伦, 歌曲=晴天]
    Pipeline --> 步骤4[音乐APP调用]
    Pipeline --> 步骤5[TTS回复:"即将播放晴天"]

技术栈对应关系

流程阶段	常用技术/工具
预处理	WebRTC, SpeexDSP, RNNoise
特征提取	LibROSA, Kaldi
ASR	DeepSpeech, Whisper, Wenet
NLP	Rasa, Dialogflow, BERT
TTS	Tacotron2, VITS, Google WaveNet