語(yǔ)音識別技術(shù)原理全面解析

　　語(yǔ)音識別是以語(yǔ)音為研究對象，通過(guò)語(yǔ)音信號處理和模式識別讓機器自動(dòng)識別和理解人類(lèi)口述的語(yǔ)言。語(yǔ)音識別技術(shù)就是讓機器通過(guò)識別和理解過(guò)程把語(yǔ) 音信號轉變?yōu)橄鄳奈谋净蛎畹母呒夹g(shù)。語(yǔ)音識別是一門(mén)涉及面很廣的交叉學(xué)科，它與聲學(xué)、語(yǔ)音學(xué)、語(yǔ)言學(xué)、信息理論、模式識別理論以及神經(jīng)生物學(xué)等學(xué)科都 有非常密切的關(guān)系。語(yǔ)音識別技術(shù)正逐步成為計算機信息處理技術(shù)中的關(guān)鍵技術(shù)，語(yǔ)音技術(shù)的應用已經(jīng)成為一個(gè)具有競爭性的新興高技術(shù)產(chǎn)業(yè)。

　　1、語(yǔ)音識別的基本原理

　　語(yǔ)音識別系統本質(zhì)上是一種模式識別系統，包括特征提取、模式匹配、參考模式庫等三個(gè)基本單元，它的基本結構如下圖所示：

　　未知語(yǔ)音經(jīng)過(guò)話(huà)筒變換成電信號后加在識別系統的輸入端，首先經(jīng)過(guò)預處理，再根據人的語(yǔ)音特點(diǎn)建立語(yǔ)音模型，對輸入的語(yǔ)音信號進(jìn)行分析，并抽取所需的特 征，在此基礎上建立語(yǔ)音識別所需的模板。而計算機在識別過(guò)程中要根據語(yǔ)音識別的模型，將計算機中存放的語(yǔ)音模板與輸入的語(yǔ)音信號的特征進(jìn)行比較，根據一定 的搜索和匹配策略，找出一系列最優(yōu)的與輸入語(yǔ)音匹配的模板。然后根據此模板的定義，通過(guò)查表就可以給出計算機的識別結果。顯然，這種最優(yōu)的結果與特征的選 擇、語(yǔ)音模型的好壞、模板是否準確都有直接的關(guān)系。

　　2、語(yǔ)音識別技術(shù)的發(fā)展歷史及現狀

　　1952年，ATTBell實(shí)驗室的Davis等人研制了第一個(gè)可十個(gè)英文數字的特定人語(yǔ)音增強系統一Audry系統1956年，美國普林斯 頓大學(xué)RCA實(shí)驗室的Olson和Belar等人研制出能10個(gè)單音節詞的系統，該系統采用帶通濾波器組獲得的頻譜參數作為語(yǔ)音增強特征。1959 年，Fry和Denes等人嘗試構建音素器來(lái)4個(gè)元音和9個(gè)輔音，并采用頻譜分析和模式匹配進(jìn)行決策。這就大大提高了語(yǔ)音識別的效率和準確度。

　　從此計算機 語(yǔ)音識別的受到了各國科研人員的重視并開(kāi)始進(jìn)入語(yǔ)音識別的研究。60年代，蘇聯(lián)的Matin等提出了語(yǔ)音結束點(diǎn)的端點(diǎn)檢測，使語(yǔ)音識別水平明顯上 升；Vintsyuk提出了動(dòng)態(tài)編程，這一提法在以后的識別中不可或缺。

　　60年代末、70年代初的重要成果是提出了信號線(xiàn)性預測編碼（LPC）技術(shù)和動(dòng)態(tài) 時(shí)間規整（DTW）技術(shù)，有效地解決了語(yǔ)音信號的特征提取和不等長(cháng)語(yǔ)音匹配問(wèn)題；同時(shí)提出了矢量量化（VQ）和隱馬爾可夫模型（HMM）理論。語(yǔ)音識別技 術(shù)與語(yǔ)音合成技術(shù)結合使人們能夠擺脫鍵盤(pán)的束縛，取而代之的是以語(yǔ)音輸入這樣便于使用的、自然的、人性化的輸入方式，它正逐步成為信息技術(shù)中人機接口的關(guān) 鍵技術(shù)。

　　3、語(yǔ)音識別的方法

　　目前具有代表性的語(yǔ)音識別方法主要有動(dòng)態(tài)時(shí)間規整技術(shù)（DTW）、隱馬爾可夫模型（HMM）、矢量量化（VQ）、人工神經(jīng)網(wǎng)絡(luò )（ANN）、支持向量機（SVM）等方法。

　　動(dòng)態(tài)時(shí)間規整算法（Dynamic Time Warping，DTW）是在非特定人語(yǔ)音識別中一種簡(jiǎn)單有效的方法，該算法基于動(dòng)態(tài)規劃的思想，解決了發(fā)音長(cháng)短不一的模板匹配問(wèn)題，是語(yǔ)音識別技術(shù)中出 現較早、較常用的一種算法。在應用DTW算法進(jìn)行語(yǔ)音識別時(shí)，就是將已經(jīng)預處理和分幀過(guò)的語(yǔ)音測試信號和參考語(yǔ)音模板進(jìn)行比較以獲取他們之間的相似度，按 照某種距離測度得出兩模板間的相似程度并選擇最佳路徑。

　　隱馬爾可夫模型（HMM）是語(yǔ)音信號處理中的一種統計模型，是由Markov鏈 演變來(lái)的，所以它是基于參數模型的統計識別方法。由于其模式庫是通過(guò)反復訓練形成的與訓練輸出信號吻合概率最大的最佳模型參數而不是預先儲存好的模式樣 本，且其識別過(guò)程中運用待識別語(yǔ)音序列與HMM參數之間的似然概率達到最大值所對應的最佳狀態(tài)序列作為識別輸出，因此是較理想的語(yǔ)音識別模型。

　　矢量量化（Vector Quantization）是一種重要的信號壓縮方法。與HMM相比，矢量量化主要適用于小詞匯量、孤立詞的語(yǔ)音識別中。其過(guò)程是將若干個(gè)語(yǔ)音信號波形或 特征參數的標量數據組成一個(gè)矢量在多維空間進(jìn)行整體量化。把矢量空間分成若干個(gè)小區域，每個(gè)小區域尋找一個(gè)代表矢量，量化時(shí)落入小區域的矢量就用這個(gè)代表 矢量代替。矢量量化器的設計就是從大量信號樣本中訓練出好的碼書(shū)，從實(shí)際效果出發(fā)尋找到好的失真測度定義公式，設計出最佳的矢量量化系統，用最少的搜索和 計算失真的運算量實(shí)現最大可能的平均信噪比。

　　在實(shí)際的應用過(guò)程中，人們還研究了多種降低復雜度的方法，包括無(wú)記憶的矢量量化、有記憶的矢量量化和模糊矢量量化方法。

　　人工神經(jīng)網(wǎng)絡(luò )（ANN）是20世紀80年代末期提出的一種新的語(yǔ)音識別方法。其本質(zhì)上是一個(gè)自適應非線(xiàn)性動(dòng)力學(xué)系統，模擬了人類(lèi)神經(jīng)活動(dòng)的原理，具有自 適應性、并行性、魯棒性、容錯性和學(xué)習特性，其強大的分類(lèi)能力和輸入—輸出映射能力在語(yǔ)音識別中都很有吸引力。其方法是模擬人腦思維機制的工程模型，它與 HMM正好相反，其分類(lèi)決策能力和對不確定信息的描述能力得到舉世公認，但它對動(dòng)態(tài)時(shí)間信號的描述能力尚不盡如人意，通常MLP分類(lèi)器只能解決靜態(tài)模式分 類(lèi)問(wèn)題，并不涉及時(shí)間序列的處理。盡管學(xué)者們提出了許多含反饋的結構，但它們仍不足以刻畫(huà)諸如語(yǔ)音信號這種時(shí)間序列的動(dòng)態(tài)特性。由于A(yíng)NN不能很好地描述 語(yǔ)音信號的時(shí)間動(dòng)態(tài)特性，所以常把ANN與傳統識別方法結合，分別利用各自?xún)?yōu)點(diǎn)來(lái)進(jìn)行語(yǔ)音識別而克服HMM和ANN各自的缺點(diǎn)。近年來(lái)結合神經(jīng)網(wǎng)絡(luò )和隱含 馬爾可夫模型的識別算法研究取得了顯著(zhù)進(jìn)展，其識別率已經(jīng)接近隱含馬爾可夫模型的識別系統，進(jìn)一步提高了語(yǔ)音識別的魯棒性和準確率。

　　支持向量機（Support vector machine）是應用統計學(xué)理論的一種新的學(xué)習機模型，采用結構風(fēng)險最小化原理（Structural Risk Minimization，SRM），有效克服了傳統經(jīng)驗風(fēng)險最小化方法的缺點(diǎn)。兼顧訓練誤差和泛化能力，在解決小樣本、非線(xiàn)性及高維模式識別方面有許多 優(yōu)越的性能，已經(jīng)被廣泛地應用到模式識別領(lǐng)域。

　　4、語(yǔ)音識別系統的分類(lèi)

　　語(yǔ)音識別系統可以根據對輸入語(yǔ)音的限制加以分類(lèi)。如果從說(shuō)話(huà)者與識別系統的相關(guān)性考慮，可以將識別系統分為三類(lèi)：（1）特定人語(yǔ)音識別系統。僅考慮對于專(zhuān)人的話(huà)音 進(jìn)行識別。（2）非特定人語(yǔ)音系統。識別的語(yǔ)音與人無(wú)關(guān)，通常要用大量不同人的語(yǔ)音數據庫對識別系統進(jìn)行學(xué)習。（3）多人的識別系統。通常能識別一組人的 語(yǔ)音，或者成為特定組語(yǔ)音識別系統，該系統僅要求對要識別的那組人的語(yǔ)音進(jìn)行訓練。

　　如果從說(shuō)話(huà)的方式考慮，也可以將識別系統分為三類(lèi)：（1）孤立詞語(yǔ)音識別系統。孤立詞識別系統要求輸入每個(gè)詞后要停頓。（2）連接詞語(yǔ)音識別系統。連接詞輸入系統要求對每個(gè)詞都清楚發(fā)音，一些連音現象開(kāi)始 出現。（3）連續語(yǔ)音識別系統。連續語(yǔ)音輸入是自然流利的連續語(yǔ)音輸入，大量連音和變音會(huì )出現。

　　如果從識別系統的詞匯量大小考慮，也可 以將識別系統分為三類(lèi)：（1）小詞匯量語(yǔ)音識別系統。通常包括幾十個(gè)詞的語(yǔ)音識別系統。（2）中等詞匯量的語(yǔ)音識別系統。通常包括幾百個(gè)詞到上千個(gè)詞的識 別系統。（3）大詞匯量語(yǔ)音識別系統。通常包括幾千到幾萬(wàn)個(gè)詞的語(yǔ)音識別系統。隨著(zhù)計算機與數字信號處理器運算能力以及識別系統精度的提高，識別系統根據 詞匯量大小進(jìn)行分類(lèi)也不斷進(jìn)行變化。目前是中等詞匯量的識別系統，將來(lái)可能就是小詞匯量的語(yǔ)音識別系統。這些不同的限制也確定了語(yǔ)音識別系統的困難度。

　　5、語(yǔ)音識別的應用

　　語(yǔ)音識別可以應用的領(lǐng)域大致分為大五類(lèi)：

　　辦公室或商務(wù)系統。典型的應用包括：填寫(xiě)數據表格、數據庫管理和控制、鍵盤(pán)功能增強等等。

　　制造業(yè)：在質(zhì)量控制中，語(yǔ)音識別系統可以為制造過(guò)程提供一種“不用手”、“不用眼”的檢控（部件檢查）。

　　電信：相當廣泛的一類(lèi)應用在撥號電話(huà)系統上都是可行的，包括話(huà)務(wù)員協(xié)助服務(wù)的自動(dòng)化、國際國內遠程電子商務(wù)、語(yǔ)音呼叫分配、語(yǔ)音撥號、分類(lèi)訂貨。

　　醫療：這方面的主要應用是由聲音來(lái)生成和編輯專(zhuān)業(yè)的醫療報告。

　　其他：包括由語(yǔ)音控制和操作的游戲和玩具、幫助殘疾人的語(yǔ)音識別系統、車(chē)輛行駛中一些非關(guān)鍵功能的語(yǔ)音控制，如車(chē)載交通路況控制系統、音響系統。

　　未來(lái)隨著(zhù)手持設備的小型化，甚至穿戴化，各種智能眼鏡，手表等層出不窮，當然找準市場(chǎng)突破口很重要，好的解決方案和系統設計參考也是必不可少的。