本文来自于网络，全文讲述了移动端开发人声识别算法优化，针对如何提高人声识别率进行了讲解，希望对大家的学习能有作用。1)当网络较差的情况下会造成较大的延时，带来较差的用户体验。2)当访问量较大的情况下，会大量占用服务端资源。为解决以上两个问题，我们选择在客户端上实现人声识别功能。本文使用机器学习的方法识别人声。采用的框架是谷歌的tensorflowLite框架，该框架跟它的名字一样具有小巧的特点。在保证精度的同时，框架的大小只有300KB左右，且经过压缩后产生的模型是tensorflow模型的四分

本文来自于网络，全文讲述了移动端开发人声识别算法优化，针对如何提高人声识别率进行了讲解，希望对大家的学习能有作用。1)当网络较差的情况下会造成较大的延时，带来较差的用户体验。2)当访问量较大的情况下，会大量占用服务端资源。为解决以上两个问题，我们选择在客户端上实现人声识别功能。本文使用机器学习的方法识别人声。采用的框架是谷歌的tensorflowLite框架，该框架跟它的名字一样具有小巧的特点。在保证精度的同时，框架的大小只有300KB左右，且经过压缩后产生的模型是tensorflow模型的四分