ASR

Automatic Speech Recognition，自动语音识别 — 将人类语音转为文字的技术。AI 客服语音渠道的入口，与 TTS / NLU 组成完整语音对话能力。

定义

ASR 将声波信号经过特征提取（MFCC / Mel-Spectrogram）、声学建模、语言模型后输出文字。当前主流是端到端深度学习（Conformer / Whisper）。

技术演进

• GMM-HMM 时代（1990s-2010s）：混合高斯模型 + 隐马尔可夫
• DNN-HMM 混合（2010s）：深度神经网络替换 GMM
• 端到端时代（2020+）：CTC / Attention / Conformer
• 大模型时代（2022+）：Whisper / 阿里 Paraformer

在 AI 客服中的应用

• 电话客服：将客户来电转文字
• 方言支持：粤语 / 川话 / 闽南语
• 多语言：20+ 种语言（智齿科技 等）
• 实时性：流式 ASR，毫秒级延迟

主要玩家

• 语音 AI 龙头：科大讯飞（中文方言 + 多语言）
• 国际：Whisper（OpenAI）/ Google Speech / Amazon Transcribe
• 客服集成：容联云 / 天润融通

在 AI 产业链中的角色

∈ belongs_to::5-11-AI客服-对话机器人 ↑ up::科大讯飞 / Whisper ↓ down::NLU → 业务执行

相关概念

• TTS / NLU / Whisper / 多模态交互