后台很多用户向小斑反馈，什么时候说说关于切换语音引擎之后语音识别准确率方面的问题。
小斑觉得这个属于用户强感知的体验，所以需要针对语音识别率的问题单独开一篇给大家好好的做个介绍。
说起这个技术，小斑必须还要再安利一下去年阿里云ET在语音识别方面的一些小小的成绩：
1、2017年12月5日，阿里巴巴、蚂蚁金服和申通地铁集团联合推出新一代售票机，可以让乘客用语音交互的形式买票，具有指定站名或票价购票、目的地模糊搜索购票等功能。也就是说，站在机器旁，你只需要告诉它「我要去中山公园」，它就会自动调用云端的高德地图服务，确定目的地最近的地铁站后直接出票。
2、在2016年的阿里云年会上，来自阿里iDST团队的“实时语音识别系统”对战常伴马云身旁的金牌速记师姜毅，分别给出演讲的文本内容，同时投屏，现场PK正确率。双方PK了7分50秒，“实时语音识别系统”最终以0.67%险胜。
3、2016年6月7日上午，西湖区人民法院作为浙江高院智能语音识别系统试点，完成了首例庭审语音同步转化为文字并生成庭审笔录的案件，准确率达96.2%。
这三个语音识别方面的成绩，已经对阿里云ET智能语音在实际使用中的表现展现的比较全面。前几日，支付宝已经开始全面支持上海地铁进出站的支付服务，上面看到的全新一代的语音售票机应该也会不日同大家见面。
语音识别技术作为AI人工智能的基础技术在这两年已经逐渐的在一些民生、政府机构、商业等多领域崭露头角，一时间可谓风光无二，现在看来，人工智能目前落地最成功的就是语音识别技术。
虽然像苹果“siri”这样的语音识别产品早已名噪一时，但其实由于很多人都有“对着手机说话有点智障”的想法，这也直接导致了这个产品的日常使用率不高，我们在网上看到的热炒也仅是昙花一现，更多人使用手机还是更相信自己的手和眼。
但语音控制在汽车上的应用并没有这么一边倒的倾向。由于对汽车行驶安全方面的考虑，当驾驶者进行一些手动操作时，势必会对驾驶者的注意力有一些影响，这时，语音控制的重要性在汽车上的应用就会变得越来越很重要。
开车时，“能用说的，绝不动手！”
这就是为什么智能语音引擎对车载操作系统日益重要的主要原因。而对车主来说，日常中感知最强的就是“语音识别准确率”这个概念。他说的话能马上通过语音引擎的识别功能反馈给系统并执行操作，这种体验才是极致的。
但是在行业端，“语音识别准确率”从来不能割裂在交互和应用场景之外！
也就是说，实际上语音识别是一个强场景化的技术，而脱离场景谈识别率，就是“耍流氓”。
这也行业内在看到某某公司说到“XXX产品识别准确率高达99%，识别准确率比肩人类”时，总会报以神秘微笑的原因。
语音识别是人机交互的技术基础，主要解决让机器听清楚人类在说什么。早在1970年代，IBM沃森实验室的弗雷德里克·贾里尼克（FrederickJelinek）就提出了语音识别框架：声学模型和语言模型。
语音识别在近年中最重大的突破之一，就在于引入了深度神经网络技术。也就是通过大量的语音数据，训练出高精度的声学模型和语言模型，从而提升识别率。
浅层神经网络方法，是提取语音的特征，识别率比较低。
这里面有个很好的例子，比如说在通过语音识别来时时展示演讲者内容的时候，语音识别功能目前对断句，标点符号的用法，方言口语等。甚至也不能去除多余的语气词“嗯、啊、哦”等；有些嘉宾多次重复某些话，智能语音识别并不能判断这些多余；同音词的问题也非常重要，语音识别如果进提取语音的特征的话，不完全能能通过上下文判断同音词的使用；但人工速记发现记录中的错误，就能寻回并改正。这就是语音识别的难点所在。
另外一个例子，在2016年的云栖大会上，对现场的演讲的语音识别准确率达到了95%以上，但如果现场再安排一个特殊领域的专家来演讲，比如天文、医疗、艺术等，这个语音识别准确率就很难达到很好的效果。不仅因为仅提取语音特征来进行识别这个能力无法实现。对现有语言模型在专业领域的知识积累也完全不够。
这些例子都指向了一个问题——要把语音技术在各种领域普及开来，能快速针对不同场景进行模型调优和定制变得非常重要。
说了这些，相信大家对语音识别准确率的场景实现已经有基本的认识。那么接下来我们看看阿里云ET智能语音在技术方面有什么解决办法。
在2015年的时候，阿里第一个上了latendy controlled的BLSTM模型（双向长短时记忆神经网络），叫LC-BLSTM模型，这个东西学术界研究比较多，但是工业界第一个上线应用的应该算是阿里云。
传统BLSTM模型很慢，必须要等到一句话说完了才开始去做解码，得到结果，就造成说完这句话后要等很久才能拿到结果，这当然是坏处，但为什么大家还是那么着迷呢，因为好处是精度特别高，准确程度高。阿里云ET智能语音做的工作就是能够把识别的延迟降下来，使得它能够在边说话就边解码，而不是像以前一样，要等到这句话结束后才能够进行解码，达到一个既快又好的效果。
原来语音识别的帧率大约是100帧每秒，每秒钟要计算100个frame，运算量不容忽视，所以阿里云ET智能语音有一个方法叫Low frame rate，把100帧每秒的速率，降到三分之一，相当于同样是1秒钟的语音，处理起来只有原来运算量的三分之一。同时可以保证比以前更好的识别速率。
作为阿里云ET智能语音在汽车产品端首个语音解决方案，大家在应用中有些人觉得识别准确率有待提高，这主要是因为其在完成了模型的基础训练之后，还会进入语音识别系统的解码引擎。
解码引擎的工作是在一个巨大的网络里进行搜索，这个网络由数亿节点及弧组成，并且里边已经糅合了训练好的声学模型和语言模型信息，搜索出来的最优路径上所携带的信息就是对应的语音识别结果了。
语音识别应用推广的另一短板表现在场景数据的获取。场景是用户群体、语言风格、语音信道、使用环境等综合性的描述。阿里巴巴iDST语音组高级专家鄢志杰在一次采访中表示：“正常人际交流情况下，机器语音识别错误率超过15%甚至30%，而一些公司宣传的机器识别准确率过高，速记员都达不到这一水平”。
中文语法的随意性很大，还有场景中的方言、口音等因素，解决这一问题的方法主要是靠数据训练模型，这需要一个很大的数据库，而且需要具备不断学习积累的能力。
在现有的情况下，机器有多少智能，背后一定赋予了多少人力投入。目前学习的成本很高，需要通过识别全国各地的各种口音、方言等数据，并通过半人工的形式把发音和文字一句一句进行对应匹配，变成机器可以识别的熟数据，这样才能交由机器去学习。这样的工作阿里云ET智能语音方面一直在进行，很多斑马用户也在问什么时候可以识别地方方言？相信很快会推出滴，大家拭目以待吧。
阿里巴巴技术委员会主席王坚博士对产品有这样的总结：“阿里云语音技术的突破，在于我们充分利用了云计算和大数据平台的能力，在不到两年的时间，完成了通常需要 20 年或者更长时间积累的工作，构建出强大的基于模型、数据和计算能力的学习系统”。
语音识别通过汽车端的应用场景来完整展现，还有很多相关的场景化数据模型需要完善，但这并非大家口中所谓的“半成品”，而是一个伴随你一起成长的伙伴，它会通过学习、积累完成自我的进化。随着越来越多智联网汽车的用户通过OTA空中升级的形式升级斑马智行2.0，阿里云ET智能语音的使用频率也会越来越高，随着数据累积的不断增加，通过自我的学习和进化，语音识别准确率也会不断增高。可以说，这个进化的“军功章”里，也有各位车主的一半哦。
功能介绍
01
2.0新功能
02
2.0再升级
问答
建议反馈
▼
你想了解的智联网汽车在这里
还有一切有趣的事儿……
