語(yǔ)音識別技術(shù)的研究與發(fā)展

(2)特征提取模塊：負責計算語(yǔ)音的聲學(xué)參數，并進(jìn)行特征的計算，以便提取出反映信號特征的關(guān)鍵特征參數用于后續處理?，F在較常用的特征參數有線(xiàn)性預測（LPC)參數、線(xiàn)譜對（LSP)參數、LPCC、MFCC、ASCC、感覺(jué)加權的線(xiàn)性預測（PLP)參數、動(dòng)態(tài)差分參數和高階信號譜類(lèi)特征等[1]。其中，Mel頻率倒譜系數（MFCC)參數因其良好的抗噪性和魯棒性而應用廣泛。

(3)訓練階段：用戶(hù)輸入若干次訓練語(yǔ)音，經(jīng)過(guò)預處理和特征提取后得到特征矢量參數，建立或修改訓練語(yǔ)音的參考模式庫。

(4)識別階段：將輸入的語(yǔ)音提取特征矢量參數后與參考模式庫中的模式進(jìn)行相似性度量比較，并結合一定的判別規則和專(zhuān)家知識（如構詞規則，語(yǔ)法規則等)得出最終的識別結果。

4 語(yǔ)音識別的幾種基本方法

當今語(yǔ)音識別技術(shù)的主流算法，主要有基于動(dòng)態(tài)時(shí)間規整(DTW)算法、基于非參數模型的矢量量化(VQ)方法、基于參數模型的隱馬爾可夫模型(HMM)的方法、基于人工神經(jīng)網(wǎng)絡(luò )(ANN)和支持向量機等語(yǔ)音識別方法。

4.1 動(dòng)態(tài)時(shí)間規整(DTW)

DTW是把時(shí)間規整和距離測度計算結合起來(lái)的一種非線(xiàn)性規整技術(shù)，是較早的一種模式匹配和模型訓練技術(shù)。該方法成功解決了語(yǔ)音信號特征參數序列比較時(shí)時(shí)長(cháng)不等的難題，在孤立詞語(yǔ)音識別中獲得了良好性能。

4.2 矢量量化(VQ)

矢量量化是一種重要的信號壓縮方法，主要適用于小詞匯量、孤立詞的語(yǔ)音識別中。其過(guò)程是：將語(yǔ)音信號波形的k個(gè)樣點(diǎn)的每1幀，或有k個(gè)參數的每1參數幀，構成k維空間中的1個(gè)矢量，然后對矢量進(jìn)行量化。量化時(shí)，將k維無(wú)限空間劃分為M個(gè)區域邊界，然后將輸入矢量與這些邊界進(jìn)行比較，并被量化為“距離”最小的區域邊界的中心矢量值。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。

4.3 隱馬爾可夫模型(HMM)

隱馬爾可夫模型是20世紀70年代引入語(yǔ)音識別理論的，它的出現使得自然語(yǔ)音識別系統取得了實(shí)質(zhì)性的突破。目前大多數大詞匯量、連續語(yǔ)音的非特定人語(yǔ)音識別系統都是基于HMM模型的。

HMM是對語(yǔ)音信號的時(shí)間序列結構建立統計模型，將其看作一個(gè)數學(xué)上的雙重隨機過(guò)程：一個(gè)是用具有有限狀態(tài)數的Markov鏈來(lái)模擬語(yǔ)音信號統計特性變化的隱含的隨機過(guò)程，另一個(gè)是與Markov鏈的每一個(gè)狀態(tài)相關(guān)聯(lián)的觀(guān)測序列的隨機過(guò)程。前者通過(guò)后者表現出來(lái)，但前者的具體參數是不可測的。人的言語(yǔ)過(guò)程實(shí)際上就是一個(gè)雙重隨機過(guò)程，語(yǔ)音信號本身是一個(gè)可觀(guān)測的時(shí)變序列，是由大腦根據語(yǔ)法知識和言語(yǔ)需要(不可觀(guān)測的狀態(tài))發(fā)出的音素的參數流。HMM合理地模仿了這一過(guò)程，很好地描述了語(yǔ)音信號的整體非平穩性和局部平穩性，是較為理想的一種語(yǔ)音模型。

HMM模型可細分為離散隱馬爾可夫模型(DHMM)和連續隱馬爾可夫模型(CHMM)以及半連續隱馬爾可夫模型(SCHMM)等[3]。

4.4 人工神經(jīng)元網(wǎng)絡(luò )(ANN)

人工神經(jīng)元網(wǎng)絡(luò )在語(yǔ)音識別中的應用是目前研究的又一熱點(diǎn)。ANN實(shí)際上是一個(gè)超大規模非線(xiàn)性連續時(shí)間自適應信息處理系統，它模擬了人類(lèi)神經(jīng)元活動(dòng)的原理，最主要的特征為連續時(shí)間非線(xiàn)性動(dòng)力學(xué)、網(wǎng)絡(luò )的全局作用、大規模并行分布處理及高度的穩健性和學(xué)習聯(lián)想能力。這些能力是HMM模型不具備的。但ANN又不具有HMM模型的動(dòng)態(tài)時(shí)間歸正性能。因此，人們嘗試研究基于HMM和ANN的混合模型，把兩者的優(yōu)點(diǎn)有機結合起來(lái)，從而提高整個(gè)模型的魯棒性，這也是目前研究的一個(gè)熱點(diǎn)。