- 综合排序
- 最热优先
- 最新优先
- 来自专栏reizhi
语言识别软件
看完标题你可能会奇怪了，什么是语言识别工具？ 简而言之，就是识别文字是那一种语言的软件。只要把待识别文字输入软件，就能得到相关的信息。 话不多说，看看截图 软件名称：Polyglot3000 版本：3.44 绿色多语言版 官方网站：http://www.polyglot3000.com/ 能够识别的语言大约400种，压缩包内附带了一些范例
2.8K20编辑于 2022-09-26 - 来自专栏安义技术分享
语言识别及漫画翻译
语音识别 推荐使用openai家的Whisper,同时存在对应的软件 WhisperDesktop,Buzz 目前的想法是利用whisper将音频文件进行翻译后，保存为srt文件，再通过claude去翻译
33500编辑于 2024-08-10 - 来自专栏大数据学习笔记
自然语言处理：日期识别
本文链接：https://blog.csdn.net/chengyuqiang/article/details/102746828 #日期识别 # 模块：所谓模块就是一个.py文件,用来存放变量,方法的文件
2K10发布于 2019-10-28 - 来自专栏phodal
如何识别不同的编程语言（上）
根据德国语言学家在1979年的统计，当时世界上已经查明的语言有5651种。要知道世界人口有75亿左右，而程序员才有18.5M。 这就意味着平均每10000个人中就会创建一个新的语言。 等等，这些语言里面还没有算上很多程序员在大学学龙书（《编译原理》）时创造的各种奇怪的语言。还有，我打算在未来写的一门叫xo的语言。 ? 然而和这一个世界类似的，不是很有人都会使用使用的语言。 汉语是这个世界上使用人数最多的语言，英语是这个世界上最流行的语言。同样的，Java是这个世界上使用人数最多的语言(依据Tiobe统计的结果)，JavaScript是这个世界上最流行的编程语言。 要知道小时候我学编程的时候，可只有：机器语言、汇编语言、高级语言、系统语言这几种概念。但是这种分类一点都无助于我们来对编程语言进行分类。 这里我们就不考虑汇编语言这一类的低级语言，直接从高级语言下手，可以将程序语言简单的分为两类： 解释型语言 编译型语言 简单的让我们来了解一下这两类的编程语言： 编译型语言，顾名思义就是编译一下再运行的语言
3.7K60发布于 2018-01-29 - 来自专栏新智元
Meta开源像语言识别系统，模型识别唇语翻译6种语言，本地部署人人可用
新智元报道 编辑：润 【新智元导读】Meta开源视听语音识别系统MuAViC，大幅刷新SOTA，直接下载本地可用！ 来源：娱乐寡姐 Meta最近开源了一个AI语音-视频识别系统：MuAViC，让大家动一动手指头，就能看懂没有声音的人物讲了啥，还能精确识别嘈杂背景当中特定人物的语音。 其中包含了1200小时，9种语言的文本语音视频素材，还有英语与6种语言之间的双向翻译。 语音识别数据的详细内容： 英语到6种语言翻译的素材具体包括： 6种语言到英语的翻译素材具体包括： 论文 针对这个系统，Mate的研究人员也发布了论文介绍它与现有SOTA的对比。 在纯音频和视听模式下，研究人员的多语言AVSR模型在每种非英语语言（除El语外）上的表现都优于单语言模型。
84510编辑于 2023-09-09 - 来自专栏数据科学（冷冻工厂）
解码语言：命名实体识别（NER）技术
引言 探索机器如何识别人名、地点和物体 —— 并学习如何打造你自己的命名实体识别（NER）应用程序！ 为什么NER如此出色 想象一下：你正在阅读一篇关于“华盛顿”的文章。 这时，命名实体识别（NER）就派上用场了。 NER[1]就像是赋予人工智能一种超能力：从海量文本中筛选出重要的词汇（称为实体）并识别它们的含义。比如“苹果”是指一家公司还是一种水果？ 虽然这对简单的任务有效，但一旦语言变得复杂，这些系统就会崩溃。 随后，机器学习（ML）出现了。程序员不再编写规则，而是给计算机提供大量的标记样本。 在娱乐领域：Netflix和Spotify等服务通过识别演员、艺术家和流派的名字，分析你的观看或收听习惯，为你提供定制化的推荐。 我最喜欢的一个应用是NER如何帮助记者。 总结 命名实体识别（NER）听起来可能很高大上，但其实它的核心是教会计算机做我们自然而然就能做的事情——理解周围的世界。
65200编辑于 2024-12-30 - 来自专栏王磊的博客
C# 图片识别（支持21种语言）
图片识别的技术到几天已经很成熟了，只是相关的资料很少，为了方便在此汇总一下（C#实现），方便需要的朋友查阅，也给自己做个记号。 图片识别的用途：很多人用它去破解网站的验证码，用于达到自动刷票或者是批量注册的目的，但我觉得它最吸引我的地方是可以让一些书写的东西，自动识别成电脑上的文字，比如说手拟的合同，修改过的书面论文或者是文档， 本文介绍两种比较主流和成熟的识别方式： 方式一、Asprise-OCR实现。 方式二、Microsoft Office Document Imaging（Office 2007） 组件实现。 MODI.Image image; MODI.Layout layout; doc.OCR(MODI.MiLANGUAGES.miLANG_CHINESE_SIMPLIFIED, true, true); // 识别简体中文
3.9K100发布于 2018-05-09 - 来自专栏R语言交流中心
R语言实现基因表达模式识别
后验概率:事情已经发生，要求这件事情发生的原因是由某个因素引起的可能性的大小{P（事件|原因）}。
1.3K20发布于 2019-10-30 - 来自专栏明明如月的技术专栏
New Bing 编程提效实践 - 语言识别功能
，除英语以外的任何语言都会返回 false。 这个模块提供了语言检测的功能，可以根据文本内容来判断语言。 根据搜索结果，OptimaizeLangDetector 是Tika 2.x版本中提供的一个语言检测的实现类，它使用了一个开源的语言检测库。 如果您改变文本为其他语言，如中文，它会打印"The text is not English"。 如果想让它再加一些其他语言在测试代码中或者有其他要求，也可以继续告诉它，让它修改。 我们将代码放在 IDE 里面运行，发现也符合预期。
1.2K70编辑于 2023-03-26 - 来自专栏有困难要上，没有困难创造困难也要上！
语音识别语言模型和拼音字典文件制作
准备中文语言文件 创建一个文本文件 my.txt，内容如下： 测试 直走 左转 右转 后退 开火 靠喽 生成语音模型文件和字典文件 访问 http://www.speech.cs.cmu.edu/tools
1.4K30发布于 2019-01-07 - 来自专栏DeepHub IMBA
微调大型语言模型进行命名实体识别
大型语言模型的目标是理解和生成与人类语言类似的文本。它们经过大规模的训练，能够对输入的文本进行分析，并生成符合语法和语境的回复。这种模型可以用于各种任务，包括问答系统、对话机器人、文本生成、翻译等。 命名实体识别（Named Entity Recognition，简称NER）是一种常见的应用方法，可以让模型学会识别文本中的命名实体，如人名、地名、组织机构名等。 大型语言模型在训练时通过大量的文本数据学习了丰富的语言结构和上下文信息。这使得模型能够更好地理解命名实体在文本中的上下文，提高了识别的准确性。 这篇文章总结了命名实体识别(NER)问题微调大型语言模型的经验。我们将以个人身份信息(PII)为例来介绍大型语言模型进行NER微调的方法。 个人可识别信息（Personal Identifiable Information，PII） 个人可识别信息（Personal Identifiable Information，PII）是指可以用于识别
73610编辑于 2024-03-20 扭曲语言模型修正语音识别错误技术解析
使用扭曲语言模型修正语音识别错误技术背景近年来，语言相关机器学习应用取得显著进展，部分归功于BERT等掩码语言模型：在训练过程中，模型接收某些单词被掩码或随机替换的句子，学习输出完整修正后的句子。 掩码语言模型的成功催生了扭曲语言模型的开发，该模型在可能修改方式中增加了插入和删除操作。模型创新扭曲语言模型专为解决自动语音识别（ASR）中常见错误类型而设计。 传统扭曲语言模型架构中，每个输出token对应一个输入token，这限制了完全修正单词删除错误的能力。研究团队对基础架构进行改进，使模型对每个输入token同时预测输出token和扭曲操作。 通过添加替代ASR假设，修正模型能够利用语音信号中的附加信息，实现词错误率的显著降低：人类转录错误修正：词错误率降低约11%ASR输出修正：词错误率降低近6%技术优势掩码（和扭曲）语言模型的最大优势是无监督性
24110编辑于 2025-08-29- 来自专栏hadoop学习笔记
Pyhanlp自然语言处理中的新词识别
该构造函数如下： /** * 构造一个新词识别工具 * @param max_word_len 词语最长长度 * @param min_freq 词语最低频率 * @param min_entropy max_word_len, float min_freq, float min_entropy, float min_aggregation, boolean filter) 其中： · max_word_len控制识别结果中最长的词语长度
99900发布于 2019-02-15 融合语音识别与语言理解的技术探索
ASRU: 集成语音识别与语言理解某中心的高级应用科学经理Jimmy Kunzmann是今年IEEE自动语音识别与理解研讨会（ASRU）的赞助主席之一。 他的研究团队在会议上提交了两篇论文，主题均为“信号到解释”，即将自动语音识别（ASR）和自然语言理解（NLU）集成到单一的机器学习模型中。 多语言处理Kunzmann团队在ASRU上的另一篇论文“追寻巴别塔：多语言端到端口语理解”，解决了将多语言模型（能够以多种语言之一响应用户请求）迁移到设备端的问题。 在某中心云端版本的多语言服务中，同一客户的话语会同时发送到多个ASR模型。一旦一个独立的语言识别模型确定了正在使用的语言，相应的ASR模型的输出就会被用于进一步处理。 这避免了延迟，因为它使ASR模型在语言被识别之前就开始工作。
19810编辑于 2025-12-17- 来自专栏月色的自留地
TensorFlow从1到2（五）图片内容识别和自然语言语义识别
在《从锅炉工到AI专家(8)》文中，我们演示了一个使用vgg19神经网络识别图片内容的例子。那段代码并不难，但是使用TensorFlow 1.x的API构建vgg19这种复杂的神经网络可说费劲不小。 仍然使用原文中的图片尝试识别： $ . 使用这种方式，在图片识别中，换用其他网络模型非常轻松，只需要替换程序中的三条语句，比如我们将模型换为resnet50： 模型引入，由： from tensorflow.keras.applications 本例中，我们来看一个TensorFlow 2.0教程中的例子，自然语义识别。 程序使用IMDB影片点评样本集作为训练数据。 注意这三条影评都是我们即兴随意写出的，并非样本库中的数据，是真正的“自然语言”。 （待续...）
2.8K30发布于 2019-04-25 自然语言处理在风险识别中的应用
利用自然语言处理理解和识别风险作为某中心的应用科学经理，Muthu Chandrasekaran致力于开发新工具来自动化并构建风险技术。 如今，他是某中心的应用科学经理，领导一个科学家团队，通过分析某中心团队正在开发的新技术产品的机器学习模型来识别风险。目标是在产品发布前识别可能对客户体验产生负面影响的潜在问题。 理解和识别风险Chandrasekaran接受了挑战，如今领导风险科学团队，该团队是客户体验与业务趋势（CXBT）组织的一部分。CXBT包含多个某中心业务，致力于深入理解和改善全球客户体验。 “我团队的应用科学家拥有自然语言处理、计算语言学或信息检索等人工智能领域的博士或硕士学位，”Chandrasekaran解释说。“实习生是具有类似背景的博士或硕士生。 “我感谢某中心为提高自然语言处理人才库而采取的这项举措。他们不仅使某中心受益，实际上也使整个行业受益。”这种扩展研究益处的关注与Chandrasekaran产生共鸣。
13810编辑于 2025-10-11- 来自专栏AIGC 先锋科技
LLM 视觉语言模型在动作识别中是否有效?
当前的视觉语言基础模型（如CLIP）在各种下游任务上表现出了显著的性能提升。然而，这些基础模型是否在显著提升更复杂的细微动作识别任务上仍是一个开放性问题。 由于这些任务对于许多应用（例如，健康监测和机器人学习）至关重要，因此了解针对细粒度人类动作识别的视觉语言模型的当前挑战至关重要。 为了进一步了解如何充分利用视频语言模型进行零样本动作识别，作者首先比较了从原始动作标签和LLM（如ChatGPT）获得的动作描述，以确定哪种 Prompt 对视觉语言模型更合适。 作者对当前的视觉语言基础模型进行了大规模研究，重点关注在野外行动识别任务上的迁移学习。 5 Conclusion 在这项研究中，作者评估了最先进的视觉-语言模型在细粒度动作识别方面的表现，重点关注零样本动作分类和动作分割。
80510编辑于 2024-11-11 - 来自专栏汪宇杰博客
.NET Core使用微软AI认知服务识别文字语言
识别一段文字的语言有多种途径，在这个以AI为热点的时代，我们也可以给自己的应用强行加上AI，然后就能加上“智慧”的名字“自主研发成功”后去吹牛逼。 今天我带大家来看看如何使用微软智慧云Azure提供的AI认知服务来识别一段文字的语言。 本文的前提条件是你得有一个Azure国际版的订阅，免费试用的也行。 认知服务账户 点击"Create a resouce"，然后搜索"Translator"，选择"Translator Text"，这是Azure认知服务的其中一种应用，主要用途是做翻译，但我们也能用来识别文字的语言 最终拿到的jsonResponse是识别结果，转为DetectResult类型。 score表示AI认为有多大的可能性是该语言，1.0就是非常确信。对于文本“予力地球上每一人、每一组织，成就不凡”的识别结果，出现了两种确信的语言：简体中文和日语。
1.3K10发布于 2019-07-08 自然语言处理识别急诊肺结节患者
自然语言处理可帮助识别需要随访的偶然肺结节，可能减少因漏访造成的错误。本研究旨在开发一个开放获取的三步NLP流程专门用于此目的。 NLP是使用SpaCy平台上的RoBERTa大语言模型开发的，并使用Docker部署为开放获取软件。 结论：开发了一个准确的开放获取流程，用于识别急诊胸部CT中推荐随访的偶然肺结节。虽然推荐随访的患病率低于一些先前的研究，但它更准确地反映了无既往或已知恶性肿瘤的真正偶然发现的患病率。 整合该工具可通过改进偶然肺结节的识别、沟通和跟踪来减少错误。利益冲突声明作者声明无利益冲突。数据可用性声明支持本研究结果的数据可根据通讯作者的要求获得。由于隐私或伦理限制，数据不公开可用。
7400编辑于 2025-11-04- 来自专栏深度学习之tensorflow实战篇
自然语言处理-错字识别（基于Python）kenlm、pycorrector
中文拼音全拼，如 xingfu-幸福 中文拼音缩写，如 sz-深圳 语法错误，如想象难以-难以想象 当然，针对不同业务场景，这些问题并不一定全部存在，比如输入法中需要处理前四种，搜索引擎需要处理所有类型，语音识别后文本纠错只需要处理前两种 特征 kenlm: kenlm统计语言模型工具 rnn_lm: TensorFlow、PaddlePaddle均有实现栈式双向LSTM的语言模型 rnn_attention模型: 参考Stanford pycorrector依据语言模型检测错别字位置，通过拼音音似特征、笔画五笔编辑距离特征及语言模型困惑度特征纠正错别字。 安装 pip install pycorrector 结果报错 ? 语言模型： Kenlm（统计语言模型工具） RNNLM（TensorFlow、PaddlePaddle均有实现栈式双向LSTM的语言模型） 代码： import pycorrector corrected_sent 另外，基于字的语言模型，误判率会较高；基于词的语言模型，误判率会低一些（符合我个人的判断，在我的实验里情况也确实如此）。 训练语言模型的语料中并不clean，包含了很多错别字，这会提高误判率。
17.2K61发布于 2019-01-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号