前面讲的都是理解和生成文本的方法，除了文本这种书面表示形式，自然语言还有一种口头表达形式：语音。

接下来我将用两篇文章分别介绍语音识别和语音合成技术。

语音识别是将语音转换为文本的技术。广泛应用于语音助手、自动字幕生成、语音搜索等领域。

对于这两种自然语言的不同表示形式，我们可以对比着看。

与文本处理类似，语音识别技术也经历了多次迭代，包括传统的声学模型、发音词典、隐马尔可夫模型（HMM），以及近年来的深度学习模型（如LSTM和Transformer）的发展。

两者的处理流程也有许多相似之处。例如：

• 文本处理流程

文本输入 → Tokenization（分词） → 特征提取（如Word2Vec或其他词向量表示） → 传统机器学习模型。

或者，直接采用神经网络：文本输入 → Tokenization → Transformer。

• 语音识别流程语音输入 → 特征提取（如MFCC、Mel频谱图） → 解码输出（通过声学模型和语言模型的结合实现）。

在神经网络时代，语音和文本处理逐渐趋于统一。

语音输入

与文本不同的是，语音是一种模拟信号，要让计算机处理，就得先转换成数字信号。

通过对模拟信号进行采样，记录不同时间点代表声波高度的数字，这就是一个未压缩的wav音频文件。

那以什么频率进行采样呢？采样点过少会导致信息丢失，采样点过多又会造成存储浪费。

奈奎斯特定理给出了答案——只要我们的采样速度至少是我们想要记录的最高频率的两倍。

特征提取

假设我们通过采样得到了下面这个音频数字。

可以直接把它输入到神经网络，但直接对原始数据识别语音模式是很困难的。

所以，我们可以通过对音频数据进行一些预处理来简化问题。