การประมวลผลเสียงพูดคือการศึกษาเกี่ยวกับสัญญาณเสียงพูด และวิธีการประมวลผลสัญญาณ โดยปกติสัญญาณจะถูกประมวลผลใน รูปแบบ ดิจิทัลดังนั้นการประมวลผลเสียงพูดจึงถือได้ว่าเป็นกรณีพิเศษของการประมวลผลสัญญาณดิจิทัลที่นำมาใช้กับสัญญาณเสียงพูดแง่มุมของการประมวลผลเสียงพูดประกอบด้วยการรับ การจัดการ การจัดเก็บ การถ่ายโอน และการส่งออกสัญญาณเสียงพูด งานประมวลผลเสียงพูดที่แตกต่างกัน ได้แก่การรู้จำเสียงพูดการสังเคราะห์เสียง พูด การแยกแยะผู้พูดการปรับปรุงคุณภาพเสียงพูดการรู้จำผู้พูดเป็นต้น^{[ 1 ]}

ความพยายามในช่วงแรกในการประมวลผลและการจดจำเสียงพูดนั้นมุ่งเน้นไปที่การทำความเข้าใจ องค์ประกอบ ทางเสียง ง่ายๆ เพียงไม่กี่ อย่าง เช่น สระ ในปี พ.ศ. 2495 นักวิจัยสามคนจาก Bell Labs ได้แก่ Stephen Balashek, R. Biddulph และ KH Davis ได้พัฒนาระบบที่สามารถจดจำตัวเลขที่พูดโดยผู้พูดคนเดียวได้^{[ 2 ]}งานบุกเบิกในสาขาการจดจำเสียงพูดโดยใช้การวิเคราะห์สเปกตรัมได้รับการรายงานในช่วงทศวรรษ พ.ศ. 2483 ^{[ 3 ]}

การเข้ารหัสทำนายเชิงเส้น (LPC) ซึ่งเป็นอัลกอริธึมการประมวลผลเสียงพูด ได้รับการเสนอครั้งแรกโดยFumitada Itakuraจากมหาวิทยาลัยนาโกยาและ Shuzo Saito จากบริษัท Nippon Telegraph and Telephone (NTT) ในปี 1966 ^{[ 4 ]}การพัฒนาเพิ่มเติมในเทคโนโลยี LPC เกิดขึ้นโดยBishnu S. AtalและManfred R. Schroederที่Bell Labsในช่วงทศวรรษ 1970 ^{[ 4 ]} LPC เป็นพื้นฐานสำหรับเทคโนโลยีเสียงผ่าน IP (VoIP) ^{[ 4 ]}รวมถึง ชิป สังเคราะห์เสียงพูดเช่นชิปเสียงพูด LPC ของ Texas Instrumentsที่ใช้ใน ของเล่น Speak & Spellตั้งแต่ปี 1978 ^{[ 5 ]}

หนึ่งในผลิตภัณฑ์การรู้จำเสียงพูดเชิงพาณิชย์รุ่นแรกๆ คือ Dragon Dictate ซึ่งวางจำหน่ายในปี 1990 ในปี 1992 เทคโนโลยีที่พัฒนาโดยLawrence Rabinerและคนอื่นๆ ที่ Bell Labs ถูกนำมาใช้โดยAT&Tในบริการประมวลผลการโทรแบบรู้จำเสียงพูดเพื่อกำหนดเส้นทางการโทรโดยไม่ต้องใช้โอเปเรเตอร์มนุษย์ ณ จุดนี้ คำศัพท์ของระบบเหล่านี้มีขนาดใหญ่กว่าคำศัพท์เฉลี่ยของมนุษย์^{[ 6 ]}

ในช่วงต้นทศวรรษ 2000 กลยุทธ์การประมวลผลเสียงพูดที่โดดเด่นเริ่มเปลี่ยนจากแบบจำลองมาร์คอฟที่ซ่อนอยู่ ไปสู่ เครือข่ายประสาทเทียมและ การเรียนรู้ เชิงลึกที่ทันสมัยมากขึ้น^{[ 7 ]}

ในปี 2012 Geoffrey Hintonและทีมงานของเขาที่มหาวิทยาลัยโทรอนโตได้แสดงให้เห็นว่าโครงข่ายประสาทเทียมเชิงลึกสามารถทำงานได้ดีกว่าระบบ HMM แบบดั้งเดิมอย่างมีนัยสำคัญในงานการรู้จำคำพูดต่อเนื่องที่มีคำศัพท์จำนวนมาก ความก้าวหน้านี้ทำให้มีการนำเทคนิคการเรียนรู้เชิงลึกมาใช้กันอย่างแพร่หลายในอุตสาหกรรม^{[ 8 ] [ 9 ]}

ในช่วงกลางทศวรรษ 2010 บริษัทต่างๆ เช่นGoogle , Microsoft , AmazonและAppleได้รวมระบบการจดจำเสียงขั้นสูงเข้ากับผู้ช่วยเสมือนของตน เช่นGoogle Assistant , Cortana , AlexaและSiri ^{[ 10} ] ระบบเหล่านี้ใช้โมเดลการเรียนรู้เชิงลึกเพื่อให้การโต้ตอบด้วยเสียงที่เป็นธรรมชาติและแม่นยำยิ่ง^ขึ้น

การพัฒนาโมเดล Transformer เช่น BERT (Bidirectional Encoder Representations from Transformers) ของ Google และ GPT (Generative Pre-trained Transformer) ของ OpenAI ได้ผลักดันขอบเขตของการประมวลผลภาษาธรรมชาติและการรู้จำเสียงพูดให้ก้าวไปอีกขั้น โมเดลเหล่านี้ทำให้สามารถเข้าใจเสียงพูดได้อย่างมีบริบทและมีความหมายมากขึ้น^{[ 8 ]}ในช่วงไม่กี่ปีที่ผ่านมา โมเดลการรู้จำเสียงพูดแบบครบวงจรได้รับความนิยมมากขึ้น โมเดลเหล่านี้ทำให้กระบวนการรู้จำเสียงพูดง่ายขึ้นโดยการแปลงอินพุตเสียงเป็นเอาต์พุตข้อความโดยตรง โดยไม่ต้องผ่านขั้นตอนกลาง เช่น การสกัดคุณลักษณะและการสร้างแบบจำลองเสียง วิธีการนี้ทำให้กระบวนการพัฒนาคล่องตัวขึ้นและเพิ่มประสิทธิภาพ^{[ 11 ]}

• ระบบตอบรับด้วยเสียงแบบโต้ตอบ
• ผู้ช่วยเสมือนจริง
• การระบุเสียง
• การรับรู้ทางอารมณ์
• ระบบอัตโนมัติศูนย์บริการลูกค้า
• หุ่นยนต์

• โสตวิทยาเชิงคำนวณ
• การประมวลผลคำพูดเชิงคำนวณทางประสาท
• การเข้ารหัสเสียง
• เทคโนโลยีการพูด
• การประมวลผลภาษาธรรมชาติ