语音识别

Automatic Speech RecognitionASR进阶

把人说的话自动转成文字，是机器人听懂口头指令的第一步。

语音识别是把语音信号转换成文字的技术，也叫语音转文字（STT）。常用评测指标是词错误率 WER，即（替换数＋删除数＋插入数）除以参考词数，中文一般按字计算，称字错误率 CER。近年的代表模型是 OpenAI 2022 年发布的 Whisper，用 68 万小时弱监督的多语种音频训练，在多个标准基准上不经微调就接近有监督方法的成绩，模型和推理代码都已开源。在具身智能系统里，语音识别通常是交互链路的入口：麦克风阵列拾音、降噪后交给 ASR 转成文字，再送进大语言模型或 VLA 生成计划和动作，最后用语音合成（TTS）回话。也有原生多模态模型直接输入音频、不经过文字中转。机器人上还要应对电机噪声、远场拾音等问题。