在數(shù)字音頻領(lǐng)域，音頻質(zhì)量是對從電子設(shè)備輸出的音頻的準(zhǔn)確性，保真度和清晰度的評估。

　　鑒于音頻是自動語音識別（ASR）系統(tǒng)的主要輸入，因此，音頻質(zhì)量對于最大化此類系統(tǒng)的性能至關(guān)重要。

　　音頻質(zhì)量越差，ASR系統(tǒng)的轉(zhuǎn)錄就越困難，這將導(dǎo)致轉(zhuǎn)錄的準(zhǔn)確性降低。

　　Rahul Shankar在Voci的部分職責(zé)包括評估客戶的音頻質(zhì)量，并向客戶提出個性化建議，以優(yōu)化其音頻質(zhì)量以生成最準(zhǔn)確的筆錄。

　　因此，在本博客中，Rahul Shankar將討論最佳音頻質(zhì)量實(shí)踐，以確保您的ASR系統(tǒng)發(fā)揮最佳性能。

　　確保高質(zhì)量的通話記錄

　　如果您要錄制和制作音樂，則無需進(jìn)行任何后期處理就可以解決由于樂器錄制不佳而引起的問題。

　　不管是什么原因引起的問題（例如，麥克風(fēng)放置不當(dāng)，背景噪聲，混響問題），如果原始錄音的質(zhì)量很差，在后期制作中就幾乎無計(jì)可施。

　　這幾乎完全適用于語音到文本技術(shù)。與所有其他因素相比，質(zhì)量差的源音頻對字錯誤率（WER）的影響更為嚴(yán)重。

　　這就是為什么。人腦具有將聽覺注意力集中在特定刺激上的能力，同時濾除一系列其他刺激。

　　例如，參加聚會的人可以專注于嘈雜房間中的單個對話。（鑒于這種例子的普遍性，這種能力通常被稱為雞尾酒會效應(yīng)。）

　　ASR系統(tǒng)無法做我們?nèi)祟愃茏龅降?-將注意力集中在特定的刺激上。它將所有刺激視為聲音輸入。引入失真的聲學(xué)背景（例如在上面的雞尾酒會示例中）將大大降低ASR的有效性。

　　對于某些背景噪聲源（例如電視，廣播/音樂，交通噪聲等），識別引擎可能會對其進(jìn)行調(diào)整或解決。

　　但是，與語音共享相同頻率范圍的源更具挑戰(zhàn)性。例如，請考慮是否有麥克風(fēng)接聽附近的呼叫中心座席。

　　一個人可以輕松地區(qū)分聲音。一個ASR系統(tǒng)卻會發(fā)現(xiàn)非常困難。ASR無法徹底可靠地濾除的任何背景噪聲都會對WER產(chǎn)生不利影響。因此，高質(zhì)量的記錄很重要。

　　避免錯誤的轉(zhuǎn)碼

　　代碼轉(zhuǎn)換是一種編碼形式到另一種編碼形式的直接數(shù)模轉(zhuǎn)換，即將文件從一種格式更改為另一種格式。許多呼叫記錄系統(tǒng)都會這樣做，以最大程度地利用數(shù)字存儲空間。

　　在音頻轉(zhuǎn)碼中，有四種轉(zhuǎn)碼類型，每種類型對ASR轉(zhuǎn)錄的成功都有不同的影響：

　　無損到無損轉(zhuǎn)碼是唯一安全且建議的轉(zhuǎn)碼形式，因?yàn)樵诖诉^程中不會丟失音頻信息。

　　例如，從.wav文件轉(zhuǎn)換為.flac文件是無損壓縮的一個示例，通常用于節(jié)省磁盤空間而不影響質(zhì)量。

　　磁盤上以8位/16kHz頻率運(yùn)行的10分鐘單聲道。wav文件約為9.8MB，而flac壓縮后的同一文件約為5.6MB。

　　相反，兩種形式的有損轉(zhuǎn)碼都會降低質(zhì)量。更糟糕的是，壓縮偽像是累積的。這意味著無損轉(zhuǎn)碼將在每次連續(xù)轉(zhuǎn)碼過程中導(dǎo)致質(zhì)量的逐漸損失，這被稱為數(shù)字世代損失。

　　此過程是不可逆的，因此也稱為破壞性轉(zhuǎn)碼。因此，強(qiáng)烈建議不要在有損格式之間或之內(nèi)進(jìn)行有損格式的代碼轉(zhuǎn)換，并且可能會在自動轉(zhuǎn)錄過程中產(chǎn)生問題。

　　有損到無損的轉(zhuǎn)碼（又稱為上采樣）甚至更糟。它遭受雙重受損。此過程首先從有損文件的音頻質(zhì)量差開始，然后增加未壓縮文件的文件大小。

　　由于首先創(chuàng)建（丟失）文件的（破壞性）轉(zhuǎn)碼過程中造成的信息丟失是永久且不可逆的，因此對文件進(jìn)行無損轉(zhuǎn)碼只會增加文件大小，而不會提高質(zhì)量。

　　明智地選擇編解碼器

　　這有點(diǎn)技術(shù)性，但是在研究通話記錄技術(shù)時，它是一項(xiàng)重要功能。

　　語音編碼的目標(biāo)是在給定的比特率下使失真最小化，或在可接受的失真度下使比特率最小化。

　　但是，作為這種失真的客觀衡量指標(biāo)的信噪比（SNR）與感知的語音質(zhì)量并沒有很好的關(guān)聯(lián)。

　　因此，語音編碼器的性能通常使用主觀評分方法來衡量，該方法稱為平均意見評分（MOS）。

　　MOS的測量范圍為0-5.4.0-4.5的值稱為收費(fèi)質(zhì)量，代表用戶完全滿意。

　　這是公用電話交換網(wǎng)（PSTN，我們都知道的標(biāo)準(zhǔn)電話網(wǎng)）的正常值。它也是大多數(shù)VoIP電話服務(wù)提供商的基準(zhǔn)。

　　即使仍可理解，MOS得分等于或低于3.6，也被許多用戶認(rèn)為是不可接受的。

　　G711是實(shí)現(xiàn)最佳ASR性能的理想編解碼器。從理論上講，沒有任何編解碼器可以比G711更好地執(zhí)行，因?yàn)樗峁┝俗罴训馁|(zhì)量，沒有壓縮和最低的算法延遲。

　　在無法使用G711的情況下，應(yīng)使用在MOS評估中始終穩(wěn)定在4.0以上的編解碼器，例如G726，G722.1和GSM-EFR。

　　聲明:版權(quán)所有 非合作媒體謝絕轉(zhuǎn)載

　　原文網(wǎng)址：https://www.callcentrehelper.com/get-best-speech-recognition-system-158324.htm