為了提高客戶滿意度、完善客戶服務，同時對客服人員工作的考評，很多企業(yè)會對此采用質檢的方式來保證其服務質量。以服務行業(yè)為例，呼叫中心是一個促進企業(yè)營銷、市場開拓并為客戶提供良好的交互服務系統(tǒng)，其位置相當重要。傳統(tǒng)的質檢方法需要質檢人員通過人工測聽的方式進行抽檢；人工抽檢方法工作量大且效率低，難以有效評價客服人員的服務質量。

　　隨著人工智能技術的發(fā)展，語音和自然語音處理技術不斷取得突破，采用智能化的方法對電話語音中的內容進行深層次的分析，可以有效的節(jié)約人力成本并提高工作效率。語音質檢方案主要涉及語音關鍵詞檢索、音頻對比、情感識別等核心技術。

　　隨著深度學習的興起，深層神經(jīng)網(wǎng)絡也應用到了語音識別中的聲學建模，通過深層神經(jīng)網(wǎng)絡模型替換GMM-HMM模型里的GMM模型，HMM模型中的狀態(tài)轉移矩陣部分不變。DNN通過在輸入端進行擴幀，從而能夠利用上下文信息，同時這種模型具有較強的非線性建模能力，但DNN的擴幀是有限的，所以它能夠利用的上下文信息是有限的。針對這一問題提出了基于RNN的聲學模型，RNN能夠更充分的利用歷史信息進行聲學模型建模。但是在RNN訓練過程中會存在梯度消失和梯度膨脹的問題，梯度膨脹可以在訓練過程中加一些約束條件解決，當梯度超過一定值以后設定一個固定值；針對梯度消失問題，比較有效的解決方法是將里面的RNN單元變成長短時記憶模型LSTM，這種模型的缺點是會增加計算復雜度，這也是在構建聲學模型時需要考慮的問題。CNN是另一種比較主流的聲學模型，這種模型中包含的參數(shù)較少，谷歌、微軟、IBM等企業(yè)均嘗試使用非常深的CNN模型，其識別性能超過其它深層神經(jīng)網(wǎng)絡。

　　CTC是一個訓練準則，在傳統(tǒng)的基于深度學習的聲學模型輸出中，每個phone可能包含十幾楨甚至更多楨，因為它并不是一個尖峰，但是通過CTC訓練會把它變成一個尖峰；CTC可以將每一幀變成一個blank幀或者對應的建模單元（音素、音節(jié)等），而每個建模單元只需要對應幾幀就可以了。在解碼的時候可以降低對black楨的搜索寬度，這樣可以顯著的增加解碼速度。減少解碼幀有兩種方法，一種是通過跳幀的方法，另一種在解碼過程中動態(tài)調整beam值，特別是遇到空白楨的時候把并beam值減少。

　　基于語音識別的關鍵詞檢索是將語音識別的結果構建成一個索引網(wǎng)絡，然后把關鍵詞從索引網(wǎng)絡中找出來。從圖1中可以看到，首先將語音數(shù)據(jù)進行識別處理，從里面提取索引構建索引網(wǎng)絡，進行關鍵詞檢索的時候，我們會把關鍵詞表在網(wǎng)絡中進行搜索，找到概率最高的，輸出其關鍵詞匹配結果。

圖1.基于語音識別的關鍵詞檢索

　　構建檢索網(wǎng)絡是語音關鍵詞檢索的重要環(huán)節(jié)。如圖2所示，在第一個時間段內（w1、w3、w6、w7），這句話被識別成了四個不同的詞，語音識別只能給出一條路徑，但在語音關鍵詞檢索網(wǎng)絡中可以從四個結果中進行篩選。

圖2構建檢索網(wǎng)絡示意圖

　　確定關鍵詞檢索網(wǎng)絡后，接下來進行的是關鍵詞檢索。關鍵詞檢索可以基于音節(jié)信息，首先將用戶設定的關鍵詞文本解析成音節(jié)序列，再從檢索網(wǎng)絡中找出匹配結果，相比直接對文本結果進行檢索，這種方法的容錯性更強，而且關鍵詞檢索中的聲學模型可以是基于CTC的模型，因此，計算量更小，執(zhí)行效率更高，更適用于語音質檢這種海量數(shù)據(jù)檢索的應用場景。

　　音頻比對是指從音頻信號提取特征，通過特征進行比對的方法進行有害信息檢索的方法。該方法的核心在于提取的特征值需要滿足一定的要求，比如抗噪性、轉換不變性、魯棒性、快速性等特點，主要是為了滿足同一音頻能夠在不同聲道下進行準確檢索。傳統(tǒng)的MFCC、FBANK等聲學特征已經(jīng)不能滿足音頻比對任務的需求。圖3是一個基于頻譜最大值來建模的音頻比對方法。在完成最大值點完成建模后，需要進行特征的構建。而特征構建是通過最大值點之間的距離來建模，例如兩個最大值點的距離、位置信息作為一個固定的特征來完成音頻特征信息的構建。有了上述音頻特征之后，就可以對兩個不同音頻進行檢索，最大相似度的地方就是相似點，這種技術最適用于文本內容無關的錄音片段的檢索。

圖3.基于頻譜最大值建模的音頻比對方法

　　語音是人類交際的最重要的工具之一。人們在進行自然口語對話時，不僅傳遞聲音，更重要的是傳遞說話人的情感狀態(tài)、態(tài)度、意圖等。一般的情感語音識別系統(tǒng)框圖如圖4所示。根據(jù)情感模型的不同，情感語音識別主要分為離散情感識別和連續(xù)情感語音識別。

圖4.語音情感識別典型系統(tǒng)框圖

　　離散情感識別是一個典型的模式分類問題，各種傳統(tǒng)的分類器均被廣泛應用于語音情感識別系統(tǒng)。例如隱馬爾科夫模型、高斯混合模型、支持向量機，人工神經(jīng)網(wǎng)絡等。維度情感識別一般被建模為回歸預測問題。在機器學習算法層面，根據(jù)是否考慮序列上下文信息可將現(xiàn)有方法分為靜態(tài)機器學習算法和動態(tài)機器學習算法。在靜態(tài)機器學習算法中，AdaBoost、高斯混合模型、人工神經(jīng)網(wǎng)絡、支持向量回歸等廣泛應用于維度情感識別中序列單元的回歸問題。鑒于維度情感的序列標注情況，序列上下文信息有助于提高情感識別性能，因而更多的工作集中于動態(tài)機器學習算法。隨著深度學習技術的發(fā)展，基于LSTM-RNN的系統(tǒng)便被更加廣泛的應用于維度情感識別領域。

　　情感識別解決方案通過分析不同情感狀態(tài)和語音聲學參數(shù)的關聯(lián)關系，抽取出魯棒聲學特征參數(shù)，綜合考慮不同人對同一段語音的情感感知結果，建立語音情感識別模型。為了提高語音情感識別的魯棒性，采用非線性建模方法建立情感語音分析模型，有效的解決了噪聲環(huán)境下情感語音分析問題。針對情感識別中的時序建模問題，采用一種基于特征層建模和決策層建模相結合的多尺度時序建模方法。在特征層實現(xiàn)短粒度的時序建模。在決策層實現(xiàn)更長粒度的時序建模，并與特征層的時序建模實現(xiàn)相互補充。通過上述改進，有效的提高了語音情感識別的準確率，可以對通話者的情感狀態(tài)進行動態(tài)的捕獲和跟蹤。

　　極限元智能科技在智能語音、計算機視覺、自然語言處理、大數(shù)據(jù)分析等技術領域有多年技術積累，推出了一些系列云端和終端的跨平臺AI技術解決方案，產(chǎn)品和服務廣泛應用在教育、安全、交通、泛娛樂等多個行業(yè)。其中，成熟的音頻檢測技術落地場景更是涉及到反電信詐騙、公安技偵、互聯(lián)網(wǎng)音視頻有害信息檢測、呼叫中心錄音質檢等多個方面。