人工基础智能 7

模块二体验机器“感知与理解”世界单元七操控机器“听见”语音世界人工智能概论——财经商贸AI技术与应用第一节机器“听见"世界的基本原理一、声音的数字化与特征提取(一)声音的物理本质与数字表示1.采样2.量化3.编码与封装(二)声音的特征提取1.分帧:2.频谱转换3.特征计算二、基于声学与语言模型的模式匹配(一)声学模型(二)语言模型(三)声学模型与语言模型的协同三、解码与识别结果生成(一)解码搜索(二)输出优化一、声音的数字化与特征提取（一）声音的物理本质与数字表示声音数字化三环节：采样（按采样率“抓拍”，语音用16kHz）、量化（确定振幅数值等级，16位标准）、编码封装（组织为音频文件）。特征提取三步骤：分帧→频谱转换→MFCC特征计算，提炼出“声学身份证”。环节核心内容关键参数采样为声音“拍照片”，每秒次数=采样率语音16kHz，CD44.1kHz量化振幅数值化，位数决定精度16位65,536级，24位1677万级编码封装组织为标准音频文件WAV、MP3等分帧切为20-40ms稳定片段相邻帧重叠频谱转换波形→频率能量分布FFT变换特征计算提取MFCC特征13维“声学身份证”一、声音的数字化与特征提取（一）声音的物理本质与数字表示1．采样采样过程一、声音的数字化与特征提取（一）声音的物理本质与数字表示1．采样采样率对声音还原的影响一、声音的数字化与特征提取（一）声音的物理本质与数字表示2．量化采样率对声音还原的影响概念核心内容量化位数8位(256级)精度有限；16位(65,536级)CD标准；24位(1677万级)专业录音量化误差连续值“四舍五入”为有限刻度产生，表现为本底噪声；位数越高误差越低压扩技术低幅度区域刻度密集，高幅度区域稀疏，有限位数内更好保留微弱信号一、声音的数字化与特征提取（一）声音的物理本质与数字表示2．量化量化原理示意图一、声音的数字化与特征提取（一）声音的物理本质与数字表示3．编码与封装编码封装将离散数字组织为音频文件：编码加工压缩数据，封装将数据流与描述信息打包为标准格式（WAV、MP3），便于存储与交换。环节功能类比音频编码加工与压缩数据，决定最终形式和体积加工原料文件封装将编码数据+描述信息打包为标准文件格式打包装箱+贴标签一、声音的数字化与特征提取（二）声音的特征提取特征提取三步骤：分帧（切为20-40ms片段）、频谱转换（波形→频率能量分布）、特征计算（提取MFCC系数）。最终生成“声学身份证”，为语音识别奠定数据基础。步骤核心任务关键点分帧切成20-40ms短片段帧内特征稳定，相邻重叠防断裂频谱转换波形→频率能量分布FFT变换，分解声音成分特征计算提取精简数值特征MFCC最常用，模拟人耳听觉目标生成“声学身份证”降维+稳定性+区分性一、声音的数字化与特征提取（二）声音的特征提取特征提取流程示例二、基于声学与语言模型的模式匹配（二）声音的特征提取声学模型将声音特征映射为音素（概率表）；语言模型引入语言学约束，选择最合理的词序列。二者协同纠正同音错误（如“歌曲”vs“哥曲”），完成从发音符号到通顺句子的转化。模型核心任务输出/作用声学模型声音特征→音素映射二维概率表（帧×音素），提供声学证据语言模型评估词序列合理性选择符合语言习惯的序列，纠正同音错误协作声学+语言双约束从发音符号到通顺句子的转化二、基于声学与语言模型的模式匹配（二）声音的特征提取声学模型与语言模型协同工作示意三、解码与识别结果生成解码器在声学与语言模型约束下搜索最优文字序列。采用动态规划+剪枝策略，仅保留高概率路径。输出时计算置信度分数，高置信度直接采纳，中低置信度触发确认机制。环节核心内容解码搜索动态规划+剪枝策略，避免组合爆炸，保留高概率路径输出优化计算置信度分数：高→直接采纳；中低→二次确认或候选列表自适应上下文自适应+个性化优化，提升特定场景识别精度案例“我想喝咖啡”概率0.950入选，“呵→咔啡”0.001被剪枝三、解码与识别结果生成以“我想喝咖啡”为例，红色粗箭头路径综合概率最高（0.950）被选中，灰色低概率路径（如“呵→咔啡”，0.001）被剪枝舍弃。解码器路径搜索决策可视化示意图第二节百度语音识别工具转写录音一、音频参数配置二、语音识别模式三、认识百度语音识别工具。四、利用百度语音识别工具转写财经录音:(一)开通语音识别服务(二)利用在线体验功能转写录音(三)调用API转写财经录音一、音频参数配置音频参数配置需适配语音识别接口要求：采样率建议16kHz，完整覆盖人声主频段（300Hz–8kHz），兼顾质量与效率。编码与封装优先WAV（无压缩，保留完整原始数据）或FLAC（无损压缩，节省空间）。声道数通常设单声道，多数识别场景已足够；双声道仅需区分声源方位时使用（如会议录音）。参数建议值理由采样率16kHz覆盖人声主频段，兼顾质量与效率格式WAV/FLAC无压缩/无损压缩，保留原始数据声道单声道内容理解为主，区分方位才用双声道二、语音识别模式语音识别分两种模式：离线语音识别对已存在的音频文件进行整体识别，适用于会议记录转写、音频内容审核、视频字幕生成等场景。实时在线语音识别采用流式处理，边接收音频边输出结果，适用于手机语音输入法、智能音箱、同声字幕、直播监控、电话客服实时质检等。模式处理方式典型应用离线识别对已存在音频整体识别会议转写、内容审核、视频字幕实时在线识别流式处理，边接收边输出语音输入、智能音箱、同声字幕、直播监控、客服质检三、认识百度语音识别工具百度语音识别是云端语音转文字服务，将普通话或带轻微口音的语音实时/离线转为可编辑文本。无需安装软件或训练模型，上传音频即可获得结果。底层模型基于大规模中文语音数据训练，字错率低于3%，内建财经、客服等词库，可直接识别“营收”“净利润”等专业词汇。支持WAV、M4A、MP3、PCM等格式，要求采样率16kHz或8kHz、单声道、时长≤60秒、文件≤10MB。维度核心内容服务性质云端语音转文字服务使用方式上传音频→获得识别结果，无需安装/训练识别能力普通话+轻微口音，字错率<3%，内建财经/客服词库格式要求WAV、M4A、MP3、PCM技术规格16/8kHz、单声道、≤60秒、≤10MB四、利用百度语音识别工具转写财经录音（一）开通语音识别服务在语音技术控制台中新建应用四、利用百度语音识别工具转写财经录音（一）开通语音识别服务创建应用“语音识别”四、利用百度语音识别工具转写财经录音（一）开通语音识别服务创建好的“语音识别”应用四、利用百度语音识别工具转写财经录音（二）利用在线体验功能转写录音语音技术的体验中心界面四、利用百度语音识别工具转写财经录音（二）利用在线体验功能转写录音体验短语音识别四、利用百度语音识别工具转写财经录音（三）调用API转写财经录音DeepSeek生成安装代码1．安装百度语音识别工具包四、利用百度语音识别工具转写财经录音（三）调用API转写财经录音新建“语音转文本”项目1．安装百度语音识别工具包四、利用百度语音识别工具转写财经录音（三）调用API转写财经录音在新单元格中粘贴DeepSeek生成的命令1．安装百度语音识别工具包四、利用百度语音识别工具转写财经录音（三）调用API转写财经录音安装baidu-aip包1．安装百度语音识别工具包四、利用百度语音识别工具转写财经录音（三）调用API转写财经录音2．准备音频文件3．借助DeepSeek生成语音转文本的Python代码生成百度语音识别代码：用aip库，读取input.wav文件，设置16000采样率，APIKey和SecretKey留空，直接打印识别结果，加中文注释。DeepSeek提示词替代DeepSeek生成代码中的值四、利用百度语音识别工具转写财经录音（三）调用API转写财经录音4．上传音频文件进行语音识别上传音频文件四、利用百度语音识别工具转写财经录音（三）调用API转写财经录音4．上传音频文件进行语音识别从音频文件input.wav中识别出来的文本第三节录制和转写财经快讯音频一、录制财经快讯音频二、转换音频文件格式三、对音频文件进行语音识别一、录制财经快讯音频

DeepSeek生成的财经快讯文稿录下的音频文件名为“财经快讯.m4a”二、转换音频文件格式

DeepSeek生成的代码二、转换音频文件格式

利用DeepSeek生成的代码实现“财经快讯.m4a”的格式转换二、转换音频文件格式

下载格式转换后的文件三、对音频文件进行语音识别

DeepSeek提示词利用DeepSeek生成的代码实现对output.ipynb文件的语音识别写一段极简Python代码，要求在已安装baidu-aip库的前提下，将output.wav文件中的语音转换为文字（采样率16000），并打印识别结果，注意将用户的AppID、APIKey、SecretKey留空，并给出相应注释。单元