信息爆發時代，如何快速有效地處理視頻、音頻、文字等信息變得尤為重要。無論是政企會議、公檢法辦案，還是教學培訓、記者采訪、個人錄音等場合均需要形成完整的文字記錄材料，音視頻文件也需要形成字幕。為解決各類場景下的音頻轉文字問題，語音轉寫應運而生。

今年7月，訊飛開放平臺推出語音轉寫功能。這項基于科大訊飛獨立研究的深度全序列卷積升級網絡語音識別框架的技術究竟有哪些核心原理？語音轉寫的產品特性和優勢又有哪些？應用落地的場景以及未來發展前景是什么？這些問題是很多對語音轉寫感興趣的小伙伴想要了解的。

本期AI公開課，我們邀請到科大訊飛AI研究院副院長 高建清博士為我們講解語音轉寫技術。

什么是語音轉寫？01

語音轉寫（LongFormAutomatic Speech Recognition）：基于科大訊飛獨立研究的深度全序列卷積神經網絡語音識別框架（Deep Fully Convolutional Neural Network, DFCNN），針對語音的長時相關性進行語言建模，將音頻數據轉換成文本數據，可以讓信息傳遞更高效，為后續的數據檢索和數據挖掘提供基礎。

按照音頻傳輸形式分為

已錄制音頻（recorded audio）：將已經錄制好的完整音頻文件傳輸至云端的轉寫后臺，轉寫完畢之后輸出音頻對應的完整文字結果。

實時音頻流（real-time streaming）：在采集音頻的同時連續上傳音頻流至云端，云端實時返回文字結果，可以實現文字和聲音的同步展現。

語音轉寫和語音聽寫的區別02

語音轉寫和語音聽寫很多開發者小伙伴容易混淆，在課程開始之前先把兩者的區別給大家梳理清晰：

語音轉寫應用場景有哪些？03

電話銷售&客服

將坐席的通話轉換成文字，讓電話質檢和信息同步更有效率，同時，也為基于文本建模的數據挖掘提供原料基礎。

會議&訪談記錄

可以將線上或者線下的會議和訪談的音頻記錄轉換成文字存稿，讓后期的信息檢索以及精細整理更方便快捷。

字幕生成

能夠將視頻中的音頻文件轉寫成帶有的時間戳的文字信息，幫助您輕松生成與視頻相對應的字幕文件。

語音鑒別

幫助您從音頻轉成的文字信息中搜索匹配相關詞類，對黃暴或者涉政內容進行快速且高效的鑒別。

場景營銷

通過對轉寫結果與用戶自定義的關鍵詞進行搜索匹配，結合對應時間戳信息，進行線上廣告投放。