語音、音頻技術的一點思考

語音和圖象、視頻1樣，是人與人之間溝通的交換方式。

語音信號處理是1門綜合性的學科，它與語音學、心理學、數字信號處理、計算機科學、模式辨認等有著密切聯系。

語音技術1般可以分為3大類：

1.人與人之間的通訊：語音增強、語音編碼、語音通訊、VOIP等　　

簡單的說，以網絡為載體，實現人與人之間的語音通訊，觸及到語音前端去噪，增強，語音緊縮編碼等。

     語音增強、語音去噪等， 主要解決的是前端問題，單純的語音、音頻處理技術主要利用在嵌入式方向。

     開源的像Webrtc、Speex之類。

     VOIP、語音通訊主要對網絡協議等需求更多1些，VOIP和傳統移動語音通訊相比，主要體現在價格上的優勢，通話質量上和傳統相比還是有1定差距。 現在移動運營商的收益也在逐步減低，當價格上有所調劑時，VOIP估計也很難生存了。

這1類崗位主要集中在芯片類、通訊類、語音類、嵌入式、少數互聯網公司：高通、聯發科、展訊、科大訊飛、華為、思科、愛立信、哈曼、創新科技、微軟Skype、騰訊等。

     語音、音頻編碼，做標準的很少，單純做算法的也很少。主要需求集中圍繞著具體的芯片在代碼和性能做底層匯編優化，1般很少能觸及到算法層面的優化。

     開源的像ffmpeg 等，未來安卓平臺也會像蘋果1樣，都支持硬解，所以這方面就業情況更窄。

2.語音合成：

簡單的說，機器說話給人聽，代替人把相干的信息繪聲繪色的念出來。

主要流程：

    語音庫  訓練好模型

    文本分析，上下文語義分析，韻律分析，輸出語音參數

    語音合成器輸出

技術相對較為成熟，像HTS、Straight等，每塊模塊都非常重要，都需要深入研究，才能合成出高質量的語音，所以需要全部團隊成員配合。

功能：由文本產生語音，解放了用戶的雙眼。

利用：語音合成引擎，它的優化在于大范圍，任意文本組合發音，目前市場上有懶人說書、聽書之類的APP。

如果是小量的語音需求，完全用錄音就能夠代替，本錢低。

3.語音辨認和理解：

簡單的說，人說話，機器能夠聽懂，能夠依照人說的內容和唆使，代替人完成相干的操作。相干的還有說話人辨認、情感辨認、語種辨認、語音測評、語義理解等。

行業現狀：

傳統的語音公司：Nuance、科大訊飛、捷通華聲等。

傳統的軟件類公司：微軟、IBM等。

互聯網公司：云知聲、百度等。

1方面語音辨認是最難的語音技術，搭建好辨認平臺相對容易，有很多開源的項目，像HTK、Kaldi，但是本質進1步提高辨認率其實不簡單。

它包括了許多個模塊技術，門坎很高，數學功底深厚，這1類的人材更加希少。

首先，必須要準備好大量的語音庫，做好訓練和辨認。

其次，就算你只深入到語音辨認的某1項技術，首先必須搭建1整套辨認流程來檢測實驗的效果。

再者，基本上各個模塊都能影響到辨認率，特別是噪聲，所以也必須要熟習這些模塊。

最后，還有其它技術還在等著你，中文分詞、語言模型的訓練和建立、和后期的自然語言處理、語義辨認、云端服務等。

另外一方面，目前語音辨認盈利模式還不是很明朗，所以也決定了投入這1塊的人力也很稀缺。 

初期做這1塊的微軟和IBM基本上也不靠這個盈利，Nuance的贏利點主要在車載、醫療轉錄等，最后也是與蘋果合作，做了款SIRI，火了1把。

國內的科大訊飛，在辨認方向盈利也很低。

http://www.huxiu.com/article/9885/1.html

該公司的營收主要依托傳統業務如普通話測評、英語測評、呼喚中心、嵌入式語音導航和毛利率很低的信息工程業務。

所以“科大訊飛”、云知聲開放了自己的云平臺，提供免費API，給產品利用公司提高效力，下降本錢，侵占更大的市場，將語音技術融入到互聯網當中，必將會有1些小語音公司或團隊將會解散。

雖然如此，語音辨認依然是解決用戶與機器交互體驗性最好的方式，未來前景1片光明。

語音公司向來不依賴于員工范圍，關鍵的是幾個技術大牛，所以語音公司或部門人數比較少，令缺勿濫。

未來只有少數比較牛的團隊才能生存下來，其它的都會被Kill掉。

1方面，互聯網語音技術，用戶肯定免費，所以未來語音公司可能向第3方公司收取費用，也就是說，語音公司是給大多數公司提供解決方案，第3方公司給報酬。因此大公司BAT都有組建自己的語音團隊，不依賴第3方，效果據稱不錯。

另外一方面，語音技術公司未來可能會轉型，不單單給第3方公司提供語音技術支持，將技術轉化成產品，語音公司也將會開發直接面向用戶的產品，將盈利方式多樣化，所以未來利用開發的產品人員需求可能增多。

4.音樂技術：

聽音識曲，放個音樂片斷，能檢索出歌曲的名稱。

哼唱識曲：哼唱音樂片斷，能檢索出歌曲的名稱。

這個需求主要存在于互聯網音樂類軟件中，目前大多數播放器都有自己的檢索，其它主要依賴于音樂雷達。

從對語音、音頻技術來看全部技術行業：

技術里面，掌舵好方向，提供解決方案的人材是最重要的。

技術1般依賴于團隊，1個人很難撐起。

技術能細化成很多單元，每一個人精力有限，只是其中的1顆螺絲釘，只能深入1部份，了解全部全局。

不能夠單純弄技術，技術的尋求永久是無止境的。

技術更新是非常快的，特別是在開源的大趨勢下，所以在年輕的時候必須淘到錢。

做技術要像醫生1樣，做些有積累性的技術，利用面、公司比較需求比較寬的技術，這樣才會值錢。太窄的技術只會把人作死，除非是在大公司還可以換崗。

技術必須轉化成產品，必須有盈利才會持久。

做技術的同時，結交各種各樣的人材，多多開闊眼界，說不定，有1天，你需要他們，或他們需要你。

再感興趣的事情，干多了也會覺得沒啥意思，最后都是往錢看，特別是年齡越大的時候。

盡可能接觸1些產品，能將自己的技術沉淀到產品中，開發出1個自己的產品。

互聯網的精神是開源，最需的是創意、點子。

總而言之，技術全部產品線的1環，它是為了解決問題而存在，問題是由于用戶需求在，解決需求是由于有錢在推動。

生活不易，碼農辛苦
如果您覺得本網站對您的學習有所幫助,可以手機掃描二維碼進行捐贈