1樓：KevinZhang
語音識別主要是指語音往其他形式轉換的技術，比如語音轉文字，語音轉控制（智慧型家居）。
語音還有乙個方向就是語音合成，就是把文字轉換成語音，甚至是另乙個語言轉換成中文，再由機器講出來。
無論是語音轉換成別的形式，還是別的形式轉換成語音。目前都存在乙個通用的中間過程，就是文字語言（當然文字語言可以單獨應用）。
比如語音識別之後轉換成語音對應的語言文字，在轉換後的語言文字上進行後續的操作，比如翻譯成別的語言，再用語音合成技術講出來。
語音識別、語言文字處理主要是都是模式識別的概念，道理上都屬於NLP的範疇。但是語音識別用到的模式技術和語言文字的模式技術不太一樣，所以單獨的拿出來。
機器學習是乙個寬泛的概念，不僅僅是對NLP的支援。所有的模式識別背後基本上都要用到機器學習的概念。這就類似說數學是很多細分專業的基礎乙個意思。
2樓：王贇 Maigo
自然語言處理（NLP），廣義上來講包括對各種形式的自然語言的處理，即既包括文字，也包括語音。不過，因為對語音的處理涉及訊號處理，跟文字處理的感覺不太一樣，所以常常把語音單獨拿出來說。這樣，狹義的 NLP 就單指對文字的處理了。
對文字和語音的「處理」，也是乙個很廣的概念。對文字的處理（即 NLP）包括 parsing、資訊提取、情感識別、翻譯、生成等等；對語音的處理包括語音識別、說話人識別、情感識別、語種識別、語音合成、語音轉換、語音分離、語音增強等等。
自然語言處理和語音處理中的各種任務，都要用到機器學習的方法。可以認為這二者是機器學習的應用領域。一般說「研究機器學習」，可以指研究機器學習的方法與理論本身，也可以指研究機器學習的應用。
無論從事自然語言處理、語音處理、機器學習中的哪乙個領域，都要會程式設計。但是醉翁之意不在酒，這些領域中的程式設計更多地是利用已有的演算法和模組實現自己的目的，而不是從頭去實現演算法。所以 ACM（主要鍛鍊高效演算法的實現）、並行結構之類的知識都不是所有人都必需的，而是要看你做的具體任務。
另外，這些領域都需要線性代數、微積分、概率論這幾種基礎數學知識。做自然語言處理和語音處理都還需要少量的語言學知識；做語音處理還需要少量訊號處理知識。
3樓：wallfacer
說點大家聽得懂的。
首先NLP包括語言文字處理和語音處理等，文字處理的代表有搜尋引擎的分詞和機器翻譯，語音處理的代表有語音識別。NLP的關鍵在於語言模型，而這個模型涉及大量的語言學和數學的知識，主要有兩種型別，一是基於規則的，類似我們學英語時主謂賓和從句之類的分析，二是基於統計的，比如計算「The dog」後面跟著"barks"的概率，這種方法是目前的主流。而機器學習是一門類似工具的學科，研究如何從已有的知識中推斷出新的知識，在基於統計的NLP的得到很好的應用。
自然語言處理為什麼要分詞？
廖傑 分詞的目的主要是為了盡量消除一詞多意，單個字的含義過多不便於機器識別，或者說不容易用單個向量表示其含義。和前後的字構成固定片語後，歧義量被縮減了 不確定程度降低了 更便於計算機的表達和處理。另外還有減少索引空間的作用。這個很明顯，一句話50個字，按單字建立索引需要50條索引，但分詞後，按詞建索...
自然語言處理時，通常的文字清理流程是什麼？
發牙的土豆 機器只能理解0和1，而人類的語言形式相對複雜很多，所以自然語言處理的研究範圍自然在這兩者之間搭起乙個可以轉化的橋梁。大致過程可以理解為分階段的將人類語言轉換成機器語言，進而有後續更多加工預處理。而這種轉換的價值在於可以讓機器一定程度的處理人類語言遇到的問題，目前最成熟的產品可能是翻譯機了...
自然語言處理在開放搜尋中的應用
年輕人考進來了基本上除了財務科，把你哄進來之後都是做牛做馬去帶班的和做管教，你以為你考的是這個崗位，進來之後組幹科會和你說先到基層學習一下，學著學著你就扎根基層了知道啵 你會把皮鞋走壞，會把腿走粗，會在監區開會的時候被領導罵 天天看你們管教走來走去，都不知道忙什麼，一點成績都做不出來 搞文藝什麼的不...