这是一个创建于 2580 天前的主题，其中的信息可能已经有所发展或是发生改变。
文章尾部加了小小的广告，介意的可以关掉帖子了
总也抢不到的红包
一切都源自于一个红包，下午，朋友发消息给我说，让我领个红包。
打开后，看到红包，我不禁笑了。想我国家普通话水平等级测试一级乙等的水平，岂会怕一个小小的语音口令？
我清了清嗓子，以纯正的“播音腔”，念了“四十是四十，十四是屎拾”，小程序冷笑了一声，返回给我了个“再接再厉，再录一次”。
我以为是自己没说好，站起身，气沉丹田，再次念了一次“四十是四十，十四是屎拾”，旁人纷纷对我传来了异样的眼光.....然而异样的眼光也并没有
我灰溜溜的走出房间，找了一处无人的地方，一次次的尝试去读“四十是四十，十四是屎拾”。然而努力是没有结果的，每次都是武功而返。
“我要说口令”背后的秘密
既然无法抢到红包，气急败坏的我开始想，为什么我这么纯正的普通话，还抢不到红包？
作为一个普通话一乙的北方人，如果我都领不了红包，岂不是只有一甲的播音员们才能抢到？问题肯定不在此。于是，我开始动用我身为程序员的本能，开始分析小程序背后的技术。
终于，我想到了，它之所以能够做到读对口令才能抢到红包，完全是依赖于背后的一项技术——“语音识别”
什么是语音识别？
语音识别背后有非常多的技术，我这里尽量简单的给你说明什么是语音识别。
首先，用户在 App 中按下按钮，录制语音，然后 App 会将音频上传到后台的服务器，后台的服务器对声音进行特征提取，传递给下个阶段的处理器，这个时候，我们的声音信号已经由声音信号转变为处理后的特征信号。
然后处理器再通过接入 **“声学模型”，来获取不同的特征信号可能代表的字词；再由“语言模型”**，实现对所有可能字词的选择，得出最可能的结果。
最终，经过一系列的处理，我们说话的一段语音信号，就变成了一句话 “你今天吃饭了么？”
英语流利说的语音识别
英语流利说的语音识别功能是非常厉害的，就如其广告中所说“会打分的人工智能英语老师”，英语流利说的依仗，便是其比别人更加优秀的**”声学模型“和”语言模型“**
学员在手机上录音，录音经过上传，到云端进行特征提取，再由“模特声音训练过”的**“声学模型”进行处理（这里的模特声音训练过非常重要，训练材料的不同会导致模型的天差地别），声学模型处理过后，文字会传递给语言模型，组合成句。在完成两处处理后，对声音信号和文字信号进行打分，如果你的准确率比较高，你就能够获得一个Nice ！**
语音上传部分我打了问号，是因为流利说本身也有离线打分引擎，所以可能我们的语音没有上传到云端，在本地就直接进行处理了。
更细致的信息你可以到 「英语流利说」是如何进行比对评分的？ - 林晖的回答 - 知乎去看，林晖先生解释的很细致。
“我要说口令” 如何实现读口令抢红包的功能？
由于“我要说口令”小程序本身的功能要比英语流利说更为简单一些，不需要进行特殊模型训练，可以借助一些云计算服务商提供的 API 来实现功能。这里，我们拿“阿里云 ET 智能语音交互”服务 来举例。
此处仅代表我个人针对“我要说口令”小程序的分析，不代表其官方架构。
小程序在手机上进行录音，然后将录音上传至开发者的服务器，服务器上的后台程序再将声音信号通过 API 传递给** 阿里云 ET 智能语音交互，并调用其中的 智能语音识别接口，接口对语音信号进行处理后，返回识别的文字**，比如在刚刚那个红包中，识别出来的文字是“四十是四十是四是屎拾”。开发者的服务器在受到服务器传回的文字后，和发红包的人设置的文字对比，看看两个文字是否相同。如果文字相同，就说明读对了，用户就可以拿到红包；如果文字不同，就要告诉用户“再接再励”了。
当然，实际上在对比的标准中可能不会这么简单，因为在这种情况下，声学模型和语言模型识别出来的文字可能会非常奇葩，用户能够匹配上设置的文字的可能性就会非常小，这时，程序员可能就会在这方面设置一个“冗余度”，如果内容中有 80%的文字是对的上，就能拿到红包。
这个红包，我不要了！
想到这里，我不禁悲从中来，由于“声学模型”和“语言模型”的性能，计算我读的再好，可能也无法被很完美的识别出来。特别是这种几乎是无序的内容，语言模型根本无法很好的处理，我总是抢不到红包也是正常的了。以我的运气，这辈子怕是都抢不到语音红包了，我还是去群里抢普通运气红包吧！
不过，虽然我不能抢红包，但是我可以去做一个抢红包的小程序！有了“阿里云 ET 智能语音交互”，无需自主建立语音识别的系统，轻松实现语音识别！
阿里云智能语音交互地址： https://data.aliyun.com/product/nls
写在最后：
谁认识阿里云的语音交互的运营小姐姐，帮忙问问，我这么卖力，给我个鸡腿吃好不好！
第 1 条附言 · 2017-11-07 11:19:00 +08:00
补充解释：
为什么一乙也无法抢到红包？
即使你的普通话是一甲，但是你无法保证你的声音特征在语言模型时组合出目标文字。这种红包如果想让别人徒劳无功，最好的办法是输入无序的字符。有序字符在读完以后是比较容易根据语境生成对应的字符的。无序字符或者故意替换以后，语言模型生成对应字符的可能性就大大降低了。如果不设置冗余度，这玩意特定词句下的中奖几率可能还不如彩票。
希望大家可以多提问题和建议，这样我可以把科普文章写的更好
 |
1
CSM 2017-11-07 01:42:15 +08:00 via Android
除了广告，并没有看懂你说的是啥
|
 |
2
terence4444 2017-11-07 01:46:18 +08:00 via iPhone
如果说太多会不会变成语音训练？再和个人手机号绑定生成语音打电话………
|
 |
3
xiqingongzi OP @CSM #1 大致讲了下什么是语音识别，你觉得哪些段落开始看不懂的?我开始做技术的布道，所以还是想获取来自您的反馈，谢谢。
@terence4444 #2 你说的太多不太可能变成语音训练，因为你说的话虽然有了数据，也就是训练的训练级，但是没有具体的指标来评估和规范。如果无法规范就不可能生成属于你的基准声音。 |
|
4
xiqingongzi OP @CSM 不对，应该叫科普文。你是不是觉得诸如“声学模型”，“语言模型”那里不好懂？
|
 |
5
iTakeo 2017-11-07 08:32:40 +08:00 via iPhone
同音字太多了，屎有可能识别成使
|
 |
6
chenwenup 2017-11-07 08:55:45 +08:00
还是没能解释为啥一乙普通话抢不到啊？结论是脸黑？
|
 |
7
robinchina 2017-11-07 09:19:58 +08:00
我就是进来看看有没有红包直达二维码的
|
|
8
xiqingongzi OP |
 |
9
qiayue 2017-11-07 09:37:30 +08:00  1
看开头，以为是包你说这个小程序的广告
到了中间，以为是英语流利说的广告 到了最后，才发现是阿里云的广告 |
|
10
xiqingongzi OP @qiayue 哈哈哈
|
 |
11
tSQghkfhTtQt9mtd 2017-11-07 11:33:53 +08:00 via Android
这个红包有点 zz 了🌚应该用和流利说一样的技术，只比对音调特征而不是翻译成文字再比
|
 |
12
cxh116 2017-11-07 12:16:42 +08:00 via Android
调用电脑的 text to speech 不就解决了？
|
|
13
xiqingongzi OP @cxh116 #12 没用的，你过得了声学模型过不了语言模型。
@liwanglin12 #11 应该是有冗余度的，不然红包太难抢了。不过对比特征不太现实，因为这种手动输入的没有音源，鬼知道用户会输入个什么奇葩的字，比如“鐖掱(qipa)” |
Select Language