語(yǔ)音識別技術(shù)的研究與發(fā)展

　　摘 要： 回顧了語(yǔ)音識別技術(shù)的發(fā)展歷史,描述了語(yǔ)音識別系統的基本原理,介紹了語(yǔ)音識別的幾種基本方法,并對語(yǔ)音識別技術(shù)面臨的問(wèn)題和發(fā)展前景進(jìn)行了討論。

1 語(yǔ)音識別技術(shù)概述

　　語(yǔ)音識別是解決機器“聽(tīng)懂”人類(lèi)語(yǔ)言的一項技術(shù)。作為智能計算機研究的主導方向和人機語(yǔ)音通信的關(guān)鍵技術(shù)，語(yǔ)音識別技術(shù)一直受到各國科學(xué)界的廣泛關(guān)注。如今，隨著(zhù)語(yǔ)音識別技術(shù)研究的突破，其對計算機發(fā)展和社會(huì )生活的重要性日益凸現出來(lái)。以語(yǔ)音識別技術(shù)開(kāi)發(fā)出的產(chǎn)品應用領(lǐng)域非常廣泛，如聲控電話(huà)交換、信息網(wǎng)絡(luò )查詢(xún)、家庭服務(wù)、賓館服務(wù)、醫療服務(wù)、銀行服務(wù)、工業(yè)控制、語(yǔ)音通信系統等，幾乎深入到社會(huì )的每個(gè)行業(yè)和每個(gè)方面。

廣泛意義上的語(yǔ)音識別按照任務(wù)的不同可以分為4個(gè)方向：說(shuō)話(huà)人識別、關(guān)鍵詞檢出、語(yǔ)言辨識和語(yǔ)音識別[1]。說(shuō)話(huà)人識別技術(shù)是以話(huà)音對說(shuō)話(huà)人進(jìn)行區別，從而進(jìn)行身份鑒別和認證的技術(shù)。關(guān)鍵詞檢出技術(shù)應用于一些具有特定要求的場(chǎng)合，只關(guān)注那些包含特定詞的句子，例如對一些特殊人名、地名的電話(huà)監聽(tīng)等。語(yǔ)言辨識技術(shù)是通過(guò)分析處理一個(gè)語(yǔ)音片斷以判別其所屬語(yǔ)言種類(lèi)的技術(shù)，本質(zhì)上也是語(yǔ)音識別技術(shù)的一個(gè)方面。語(yǔ)音識別就是通常人們所說(shuō)的以說(shuō)話(huà)的內容作為識別對象的技術(shù)，它是4個(gè)方面中最重要和研究最廣泛的一個(gè)方向，也是本文討論的主要內容。

2 語(yǔ)音識別的研究歷史及現狀

語(yǔ)音識別的研究工作始于20世紀50年代，1952年Bell實(shí)驗室開(kāi)發(fā)的Audry系統是第一個(gè)可以識別10個(gè)英文數字的語(yǔ)音識別系統。1959年，Rorgie和Forge采用數字計算機識別英文元音和孤立詞，從此開(kāi)始了計算機語(yǔ)音識別。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。

80年代語(yǔ)音識別研究進(jìn)一步走向深入：HMM模型和人工神經(jīng)網(wǎng)絡(luò )(ANN)在語(yǔ)音識別中成功應用。1988年，FULEE Kai等用VQ/I-IMM方法實(shí)現了997個(gè)詞匯的非特定人連續語(yǔ)音識別系統SPHINX。這是世界上第1個(gè)高性能的非特定人、大詞匯量、連續語(yǔ)音識別系統。

進(jìn)入90年代后，語(yǔ)音識別技術(shù)進(jìn)一步成熟，并開(kāi)始向市場(chǎng)提供產(chǎn)品。許多發(fā)達國家如美國、日本、韓國以及IBM、Apple、ATT、Microsoft等公司都為語(yǔ)音識別系統的實(shí)用化開(kāi)發(fā)研究投以巨資。同時(shí)漢語(yǔ)語(yǔ)音識別也越來(lái)越受到重視。IBM開(kāi)發(fā)的 ViaVoice和Microsoft開(kāi)發(fā)的中文識別引擎都具有了相當高的漢語(yǔ)語(yǔ)音識別水平。

進(jìn)入21世紀，隨著(zhù)消費類(lèi)電子產(chǎn)品的普及，嵌入式語(yǔ)音處理技術(shù)發(fā)展迅速[2]?；谡Z(yǔ)音識別芯片的嵌入式產(chǎn)品也越來(lái)越多，如Sensory公司的RSC系列語(yǔ)音識別芯片、Infineon公司的Unispeech和Unilite語(yǔ)音芯片等，這些芯片在嵌入式硬件開(kāi)發(fā)中得到了廣泛的應用。在軟件上，目前比較成功的語(yǔ)音識別軟件有:Nuance、IBM的Viavoice和Microsoft的SAPI以及開(kāi)源軟件HTK，這些軟件都是面向非特定人、大詞匯量的連續語(yǔ)音識別系統。

我國語(yǔ)音識別研究一直緊跟國際水平，國家也很重視。國內中科院的自動(dòng)化所、聲學(xué)所以及清華大學(xué)等科研機構和高校都在從事語(yǔ)音識別領(lǐng)域的研究和開(kāi)發(fā)。國家863智能計算機專(zhuān)家組為語(yǔ)音識別技術(shù)研究專(zhuān)門(mén)立項，并取得了高水平的科研成果。我國中科院自動(dòng)化所研制的非特定人、連續語(yǔ)音聽(tīng)寫(xiě)系統和漢語(yǔ)語(yǔ)音人機對話(huà)系統，其準確率和系統響應率均可達90%以上。

3 語(yǔ)音識別系統

語(yǔ)音識別本質(zhì)上是一種模式識別的過(guò)程，未知語(yǔ)音的模式與已知語(yǔ)音的參考模式逐一進(jìn)行比較，最佳匹配的參考模式被作為識別結果。圖1是基于模式匹配原理的自動(dòng)語(yǔ)音識別系統原理框圖。

　　(1)預處理模塊：對輸入的原始語(yǔ)音信號進(jìn)行處理，濾除掉其中的不重要的信息以及背景噪聲，并進(jìn)行語(yǔ)音信號的端點(diǎn)檢測、語(yǔ)音分幀以及預加重等處理。