这个语音识别领域最牛的人，这样揭秘深度学习与语音识别

从深度学习角度来讲，我们还有一种编码和解码的方法，第一步由编码完成，第二步用解码完成。我将在这里给你们展示一些细节。这里，你们可以看到一个公式，这是目前的神经网络的第一步用到的，唤醒词Alexa以及它的嵌入（embedding），这些编码描述的是说话者的声音特性。然后是第二步，要识别说话者何时结束，我们依旧用锚点词来定位，也就是当那个人说出"jazz"这个词的时候，就知道这句话已经结束了。虽然周围的声音仍在影响判断，但锚点嵌入（anchor embedding）可以告诉我们："你需要聆听的那个人在那里。"

我没有进入太多细节，但是你们也许注意到了，幻灯片上有我们已发表的论文信息。不用急着拍照，感兴趣的朋友可以从之后论文中找到你们想要的信息。我还不知道要怎么发送给你们，但有兴趣的话可以之后再问我。

我今天想谈的第二个领域，就是语句合成。现在深度学习用以做很多自然语言处理的工作，今天我主要讲的是语音分析和语句合成。我认为Alexa目前做得很不错，我们还将在这两个领域投入更多资源。

我将以为大家演示一遍问题来结束。这里有一些文本，你希望Alexa说出它们--这是语音识别最后一步的倒序做法。我们将这些文本转化为字素，没有美元符号之类的任何符号，只有单词。然后再将字素转化为音素，由音标组成。现在文本变成了一堆音标，我们没法读出来，但是系统将读出来，这是最难的一步，将字串变为波形，成为真实可听的声音。来，请听--"她口袋里有20美元（She has 20 dollars in her pocket）。"哇，还真读出来了，不错，这就是Alexa的工作方式。

下面我要说说Alexa是怎么做到的。大部分高端系统是这样做的：找一个专业配音员，录下数小时他或她自然发音的音频，就得到了一个巨大的数据库。然后将所有片段和成分都进行标注，然而过程中会产生很多问题--哪里是高音？发音多长？这个音从哪个词发出的？对应的音标是什么？等等。收集到的音素会进入数据库，经过搜索最近似发音后，重组成一句连贯的语句，听起来就像一个人自然而然说出来的。

被切割的片段被称为"双连音片段"（Di-phone segment）

数据库里的音频有三个属性：音高（pitch）、时长（duration）、密度（intensity）

这个技术在业内已经被用了很久了，我想说的是我们的创新，即，交给深度学习来做这些事。比如现在你有一些音素和想说的词汇，你想找出数据库中符合的目标。例如在某个特定语境下，你希望最后发出的声音，音高达到120赫兹，时长达50毫秒，你只要直接搜索数据库中这种类型的片段，就可以合成出你想要的语句了。