打字太麻烦，怎么用语音转换成文字？

　　简要给大家介绍一下传统算法 语音怎么变文字的吧。需要说明的是，这篇文章为了易读性而牺牲了严谨性，因此文中的很多表述实际上是不准确的。对于有兴趣深入了解的同学，本文的末尾推荐了几份进阶阅读材料。下面我们开始。
　　首先，我们知道声音实际上是一种波。常见的mp3等格式都是压缩格式，必须转成非压缩的纯波形文件来处理，比如Windows PCM文件，也就是俗称的wav文件。wav文件里存储的除了一个文件头以外，就是声音波形的一个个点了。下图是一个波形的示例。
　　在开始语音识别之前，有时需要把首尾端的静音切除，降低对后续步骤造成的干扰。这个静音切除的操作一般称为VAD，需要用到信号处理的一些技术。
　　要对声音进行分析，需要对声音分帧，也就是把声音切开成一小段一小段，每小段称为一帧。分帧操作一般不是简单的切开，而是使用移动窗函数来实现，这里不详述。帧与帧之间一般是有交叠的，就像下图这样：图中，每帧的长度为25毫秒，每两帧之间有25-10=15毫秒的交叠。我们称为以帧长25ms、帧移10ms分帧。
　　分帧后，语音就变成了很多小段。但波形在时域上几乎没有描述能力，因此必须将波形作变换。常见的一种变换方法是提取MFCC特征，根据人耳的生理特性，把每一帧波形变成一个多维向量，可以简单地理解为这个向量包含了这帧语音的内容信息。这个过程叫做声学特征提取。实际应用中，这一步有很多细节，声学特征也不止有MFCC这一种，具体这里不讲。至此，声音就成了一个12行（假设声学特征是12维）、N列的一个矩阵，称之为观察序列，这里N为总帧数。观察序列如下图所示，图中，每一帧都用一个12维的向量表示，色块的颜色深浅表示向量值的大小。接下来就要介绍怎样把这个矩阵变成文本了。首先要介绍两个概念：音素：单词的发音由音素构成。对英语，一种常用的音素集是卡内基梅隆大学的一套由39个音素构成的音素集，参见The CMU Pronouncing Dictionary 。汉语一般直接用全部声母和韵母作为音素集，另外汉语识别还分有调无调，不详述。状态：这里理解成比音素更细致的语音单位就行啦。通常把一个音素划分成3个状态。
　　语音识别是怎么工作的呢？实际上一点都不神秘，无非是：把帧识别成状态（难点）。把状态组合成音素。把音素组合成单词。
　　如下图所示：图中，每个小竖条代表一帧，若干帧语音对应一个状态，每三个状态组合成一个音素，若干个音素组合成一个单词。也就是说，只要知道每帧语音对应哪个状态了，语音识别的结果也就出来了。
　　那每帧音素对应哪个状态呢？有个容易想到的办法，看某帧对应哪个状态的概率最大，那这帧就属于哪个状态。比如下面的示意图，这帧在状态S3上的条件概率最大，因此就猜这帧属于状态S3。
　　那这些用到的概率从哪里读取呢？有个叫＂声学模型＂的东西，里面存了一大堆参数，通过这些参数，就可以知道帧和状态对应的概率。获取这一大堆参数的方法叫做＂训练＂，需要使用巨大数量的语音数据，训练的方法比较繁琐，这里不讲。
　　但这样做有一个问题：每一帧都会得到一个状态号，最后整个语音就会得到一堆乱七八糟的状态号。假设语音有1000帧，每帧对应1个状态，每3个状态组合成一个音素，那么大概会组合成300个音素，但这段语音其实根本没有这么多音素。如果真这么做，得到的状态号可能根本无法组合成音素。实际上，相邻帧的状态应该大多数都是相同的才合理，因为每帧很短。
　　解决这个问题的常用方法就是使用隐马尔可夫模型（Hidden Markov Model，HMM）。这东西听起来好像很高深的样子，实际上用起来很简单：第一步，构建一个状态网络。第二步，从状态网络中寻找与声音最匹配的路径。
　　这样就把结果限制在预先设定的网络中，避免了刚才说到的问题，当然也带来一个局限，比如你设定的网络里只包含了＂今天晴天＂和＂今天下雨＂两个句子的状态路径，那么不管说些什么，识别出的结果必然是这两个句子中的一句。
　　那如果想识别任意文本呢？把这个网络搭得足够大，包含任意文本的路径就可以了。但这个网络越大，想要达到比较好的识别准确率就越难。所以要根据实际任务的需求，合理选择网络大小和结构。
　　搭建状态网络，是由单词级网络展开成音素网络，再展开成状态网络。语音识别过程其实就是在状态网络中搜索一条最佳路径，语音对应这条路径的概率最大，这称之为＂解码＂。路径搜索的算法是一种动态规划剪枝的算法，称之为Viterbi算法，用于寻找全局最优路径。这里所说的累积概率，由三部分构成，分别是：观察概率：每帧和每个状态对应的概率转移概率：每个状态转移到自身或转移到下个状态的概率语言概率：根据语言统计规律得到的概率
　　其中，前两种概率从声学模型中获取，最后一种概率从语言模型中获取。语言模型是使用大量的文本训练出来的，可以利用某门语言本身的统计规律来帮助提升识别正确率。语言模型很重要，如果不使用语言模型，当状态网络较大时，识别出的结果基本是一团乱麻。
　　这样基本上语音识别过程就完成了。
　　以上的文字只是想让大家容易理解，并不追求严谨。事实上，HMM的内涵绝不是上面所说的＂无非是个状态网络＂，如果希望深入了解，下面给出了几篇阅读材料：
　　1. Rabiner L R. A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE, 1989, 77(2): 257-286.入门必读。深入浅出地介绍了基于HMM的语音识别的原理，不注重公式的细节推导而是着重阐述公式背后的物理意义。
　　2. Bilmes J A. A gentle tutorial of the EM algorithm and its application to parameter estimation for Gaussian mixture and hidden Markov models. International Computer Science Institute, 1998, 4(510): 126.详细介绍了用E-M算法训练HMM参数的推导过程，首先讲E-M的基本原理，然后讲解如何应用到GMM的训练，最后讲解如何应用到HMM的训练。
　　3. Young S, Evermann G, Gales M, et al. The HTK book (v3.4). Cambridge University, 2006.HTK Book，开源工具包HTK的文档。虽然现在HTK已经不是最流行的了，但仍然强烈推荐按照书里的第二章流程做一遍，你可以搭建出一个简单的数字串识别系统。
　　4. Graves A. Supervised Sequence Labelling with Recurrent Neural Networks. Springer Berlin Heidelberg, 2012: 15-35.基于神经网络的语音识别的入门必读。从神经网络的基本结构、BP算法等介绍到 LSTM、CTC。5. 俞栋, 邓力. 解析深度学习——语音识别实践, 电子工业出版社, 2016.高质量的中文资料非常稀有，推荐买一本。最早把深度学习技术应用于语音识别就是这本书的作者。
　　讯飞输入法
　　讯飞输入法的语音识别在中国来说是最准确的，只要你发音准确，语音输入识别率高达98%，而且还支持大部分地区的方言识别。另外还可以离线语音。没有网络也可以识别。一分钟可以打三四百字。讯飞输入法的公司科大讯飞是中国最大的智能语音技术提供商，许多软件的语音系统都与科大讯飞合作，科大讯飞在中文语音识别等多项技术上领先于国际地位。
　　现在很多输入法都带语音转换文字的功能。我现在就是用的搜狗输入法的语音输入。识别率还是挺高的首先你点击输入框，然后输入法的那个界面就会出来。然后长按中间空格键说话就可以了。
　　普通话要标准
　　打字速度如果比较快的话我觉得打字也还行，但是如果想边说话边转成文字的软件也非常多，你可以使用【滴答转写】，把你说的话直接转成文字。
　　微信搜索小程序【滴答配音】进去，然后进行点击下方的转写，就可以进入使用了。
　　在最上方你可以看见音/视频转写
　　点击【转文本】就会出来一个【实时录音】或者【来自微信】
　　点击【实时录音】就可以边说话变成文本了。
　　是不是非常简单，有需要的可以来试试哦。
　　现在很多手机都可以用语音来回答，点击键盘上的小麦克风或者有那种专门翻译的App软件非常方便使用。而且他的翻译程度也比较高，基本上是同步翻译，不管是安卓，还是苹果，手机上都会有这个功能。
　　一段语音怎么转换为文字，可能都会说微信呀，微信的功能语音转换为文字。确实语音转换为文字，我们比较常用到就是微信。收到一段语音，太长了不想听，把它转换为文字。但是，这仅在微信上可以用。如果是在网上下载下来的语音或者是下载音乐，要怎么转换为文字格式呢？可以转换为一个文件形式吗？回答，可以的。操作如下，如果的需要的话可以收藏哦！下载工具地址：
　　https://www.callmysoft.com/yuyinzhuanhuan操作步骤：
　　第一步，选择左边的选项，语音转换为文字
　　第二步，添加需要转换的语音文件
　　第三步，选择识别的语种
　　第四步，选择转出文字保存的文件格式
　　第五步，自定义输出位置
　　第六步，设置完成后就可以点击开始转换
　　录音转文字助手是一款语音转文字转换应用。有了这款革命性的应用程序，无须再打字，只需对着话筒讲话，说的话会立刻被转换成文本。
　　有了它简直可以解放你的双手，而且如果发送信息给对方还是文字，方便自己还方便他人。
　　1）在应用市场找到这个工具将它安装在手机之后在语音识别的页面中选择：录音机，就可以录制音频了；
　　2）等待录制结束，这里我们需要将音频文件保存一份，然后进入手机文件库的页面，找到录制的音频；
　　3）点击右上角的转文字字样，就可以将录制好的音频文件转换成文字了；
　　4）最后，我们同样可以进入文字页面，进行翻译、复制、导出等操作。
　　怎么将录音转成文字？在线语音转文字、手机音频转文字看这里
　　你好，将语音转成文字确实是个明智的选择，工作中也许会遇到，那么这个时候，我们可以使用闪电文字语音转换软件来实现，这款软件个人觉得很不错，不仅仅支持语音转文字，文字也能转成语音，非常方便，操作也是很简单，下面是关于语音转文字的操作方法，希望能帮到你哦！工具下载：
　　https://www.callmysoft.com/yuyinzhuanhuan操作步骤：
　　第一步、如图所示，软件共有＂语音转文字＂和＂文字转语音＂两种功能，这里我们选择＂语音转文字＂。
　　第二步、然后选择上方的＂添加文件＂将语音文件添加进来。
　　第三步、成功上文件后，在软件的右下方设置识别的语音语种以及需要输出的文档格式。
　　第四步、默认的路径是原文件夹，勾选＂自定义＂按钮可更换位置。
　　第五步、最后点击＂开始转换＂。
　　第六步、转换成功后，双击打开查看，如下图所示，转换出来的效果蛮不错的。
　　现在很方便各大输入法都有下边儿那个话筒一样的那个标志点一下就能语音转换成文字。
　　如果不是输入法的话，还可以在网上下载那种比较专业一点儿的app什么的。
　　网上一般有那个话筒标志的，你点一下都能语音输入成文字像听歌儿的网站了什么的很方便现在。