人工智能，应该如何测试？（五）ASR 效果测试介绍
ASR是自动语音识别技术，将语音转化为文本，涉及多学科知识。数据收集是关键，包括特定人/非特定人、词汇量大小、发音方式、方言和情感等多种类别，高质量数据成本高。ASR流程包括数据收集、标注、输入算法得到文本输出并评估。常用评估指标有字错率（WER）、字正确率及插入/删除/替换率。数据标注需严格遵循规范，工作量大，而Levenshtein库可用于自动化效果评测。在AI领域，大部分时间投入在数据处理上。
深度学习之声纹识别
基于深度学习的声纹识别（Speaker Recognition）是一种通过分析和识别人的声音特征来确认身份的技术。
构建基于AI的语音合成系统：技术探索与实践
【6月更文挑战第3天】本文探讨了构建基于AI的语音合成系统，包括文本预处理、声学模型、语音生成和后期处理四个步骤。关键技术和挑战涉及分词、词性标注、语调预测、HMM、DNN、RNN模型、波形合成及后期音质优化。实践中，获取高质量语音数据、训练计算资源和系统实时性是主要挑战。随着技术进步，未来语音合成将在多语种、个性化领域有更多应用。
CosyVoice再升级，可扩展流式语音合成
通义实验室在前期的工作中提出了基于监督离散语音标记的多语言语音合成模型CosyVoice。通过使用两种流行的生成模型：语言模型 (LM) 和流匹配进行渐进式语义解码，CosyVoice 在语音语境学习中实现了较高的韵律自然度、内容一致性和说话人相似性。
