語音識別技術(shù)概述

1、語音識別技術(shù)概述                                             作者：劉鈺 馬艷麗 董蓓蓓 摘要：本文簡要介紹了語音識

2、別技術(shù)理論基礎(chǔ)及分類方式，所采用的關(guān)鍵技術(shù)以及所面臨的困難與挑戰(zhàn)，最后討論了語音識別技術(shù)的前景和應(yīng)用。關(guān)鍵詞：語音識別；特征提??；模式匹配；模型訓練Abstract:This text briefly introduces the theoretical basis of the speech-identification technology,its mode of classification,the adopted key technique and the difficulties and challenges it have to face.Then,the developing p

3、rospect ion and application of the speech-identification technology are discussed in the last part.Keywords:Speech identification;Character Pick-up;Mode matching;Model training一、語音識別技術(shù)的理論基礎(chǔ)語音識別技術(shù)：是讓機器通過識別和理解過程把語音信號轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的高級技術(shù)。語音識別以語音為研究對象，它是語音信號處理的一個重要研究方向，是模式識別的一個分支，涉及到生、心理學、語言學、機以及信號處理等諸多領(lǐng)域，甚

4、至還涉及到人的體態(tài)語言（如人在說話時的表情、手勢等行為動作可幫助對方理解），其最終目標是實現(xiàn)人與機器進行語言通信。不同的語音識別系統(tǒng)，雖然具體實現(xiàn)細節(jié)有所不同，但所采用的基本技術(shù)相似，一個典型語音識別系統(tǒng)主要包括特征提取技術(shù)、模式匹配準則及模型訓練技術(shù)三個方面。此外，還涉及到語音識別單元的選取。（一） 語音識別單元的選取選擇識別單元是語音識別研究的第一步。語音識別單元有單詞（句）、音節(jié)和音素三種，具體選擇哪一種，由具體的研究任務(wù)決定。單詞（句）單元廣泛應(yīng)用于中小詞匯語音識別系統(tǒng)，但不適合大詞匯系統(tǒng)，原因在于模型庫太龐大，訓練模型任務(wù)繁重，模型匹配算法復(fù)雜，難以滿足實時性要求。音節(jié)單元多見于漢語

5、語音識別，主要因為漢語是單音節(jié)結(jié)構(gòu)的語言，而是多音節(jié)，并且漢語雖然有大約1300個音節(jié)，但若不考慮聲調(diào)，約有408個無調(diào)音節(jié)，數(shù)量相對較少。因此，對于中、大詞匯量漢語語音識別系統(tǒng)來說，以音節(jié)為識別單元基本是可行的。音素單元以前多見于英語語音識別的研究中，但目前中、大詞匯量漢語語音識別系統(tǒng)也在越來越多地采用。原因在于漢語音節(jié)僅由聲母（包括零聲母有22個）和韻母（共有28個）構(gòu)成，且聲韻母聲學特性相差很大。實際應(yīng)用中常把聲母依后續(xù)韻母的不同而構(gòu)成細化聲母，這樣雖然增加了模型數(shù)目，但提高了易混淆音節(jié)的區(qū)分能力。由于協(xié)同發(fā)音的影響，音素單元不穩(wěn)定，所以如何獲得穩(wěn)定的音素單元，還有待研究。（二） 特征參

6、數(shù)提取技術(shù)語音信號中含有豐富的信息，但如何從中提取出對語音識別有用的信息呢？特征提取就是完成這項工作，它對語音信號進行分析處理，去除對語音識別無關(guān)緊要的冗余信息，獲得影響語音識別的重要信息。對于非特定人語音識別來講，希望特征參數(shù)盡可能多的反映語義信息，盡量減少說話人的個人信息（對特定人語音識別來講，則相反）。從信息論角度講，這是信息壓縮的過程。線性預(yù)測（LP）分析技術(shù)是目前應(yīng)用廣泛的特征參數(shù)提取技術(shù)，許多成功的應(yīng)用系統(tǒng)都采用基于LP技術(shù)提取的倒譜參數(shù)。但線性預(yù)測模型是純數(shù)學模型，沒有考慮人類聽覺系統(tǒng)對語音的處理特點。Mel參數(shù)和基于感知線性預(yù)測（PLP）分析提取的感知線性預(yù)測倒譜，在一定程度上

7、模擬了人耳對語音的處理特點，應(yīng)用了人耳聽覺感知方面的一些研究成果。實驗證明，采用這種技術(shù)，語音識別系統(tǒng)的性能有一定提高。也有研究者嘗試把小波分析技術(shù)應(yīng)用于特征提取，但目前性能難以與上述技術(shù)相比，有待進一步研究。（三）模式匹配及模型訓練技術(shù)模型訓練是指按照一定的準則，從大量已知模式中獲取表征該模式本質(zhì)特征的模型參數(shù)，而模式匹配則是根據(jù)一定準則，使未知模式與模型庫中的某一個模型獲得最佳匹配。語音識別所應(yīng)用的模式匹配和模型訓練技術(shù)主要有動態(tài)時間歸正技術(shù)（DTW）、隱馬爾可夫模型（HMM）和人工神經(jīng)元（ANN）。DTW是較早的一種模式匹配和模型訓練技術(shù)，它應(yīng)用動態(tài)規(guī)劃方法成功解決了語音信號特征參數(shù)序列

8、比較時時長不等的難題，在孤立詞語音識別中獲得了良好性能。但因其不適合連續(xù)語音大詞匯量語音識別系統(tǒng)，目前已被HMM模型和ANN替代。HMM模型是語音信號時變特征的有參表示法。它由相互關(guān)聯(lián)的兩個隨機過程共同描述信號的統(tǒng)計特性，其中一個是隱蔽的（不可觀測的）具有有限狀態(tài)的Markor鏈，另一個是與Markor鏈的每一狀態(tài)相關(guān)聯(lián)的觀察矢量的隨機過程（可觀測的）。隱蔽Markor鏈的特征要靠可觀測到的信號特征揭示。這樣，語音等時變信號某一段的特征就由對應(yīng)狀態(tài)觀察符號的隨機過程描述，而信號隨時間的變化由隱蔽Markor鏈的轉(zhuǎn)移概率描述。模型參數(shù)包括HMM拓撲結(jié)構(gòu)、狀態(tài)轉(zhuǎn)移概率及描述觀察符號統(tǒng)計特性的一組隨

9、機函數(shù)。按照隨機函數(shù)的特點，HMM模型可分為離散隱馬爾可夫模型（采用離散概率密度函數(shù)，簡稱DHMM）和連續(xù)隱馬爾可夫模型（采用連續(xù)概率密度函數(shù)，簡稱CHMM）以及半連續(xù)隱馬爾可夫模型（SCHMM，集DHMM和CHMM特點）。一般來講，在訓練數(shù)據(jù)足夠的，CHMM優(yōu)于DHMM和SCHMM。HMM模型的訓練和識別都已研究出有效的算法，并不斷被完善，以增強HMM模型的魯棒性。1         人工神經(jīng)元在語音識別中的應(yīng)用是現(xiàn)在研究的又一熱點。ANN本質(zhì)上是一個自適應(yīng)非線性動力學系統(tǒng)，模擬了人類神經(jīng)元活動的原理，具有自學、

10、聯(lián)想、對比、推理和概括能力。這些能力是HMM模型不具備的，但ANN又不個有HMM模型的動態(tài)時間歸正性能。因此，現(xiàn)在已有人研究如何把二者的優(yōu)點有機結(jié)合起來，從而提高整個模型的魯棒性。 二、語音識別的困難與對策目前，語音識別方面的困難主要表現(xiàn)在：（一）語音識別系統(tǒng)的適應(yīng)性差，主要體現(xiàn)在對環(huán)境依賴性強，即在某種環(huán)境下采集到的語音訓練系統(tǒng)只能在這種環(huán)境下應(yīng)用，否則系統(tǒng)性能將急劇下降；另外一個問題是對用戶的錯誤輸入不能正確響應(yīng)，使用不方便。（二）高噪聲環(huán)境下語音識別進展困難，因為此時人的發(fā)音變化很大，像聲音變高，語速變慢，音調(diào)及共振峰變化等等，這就是所謂Lombard效應(yīng)，必須尋找新的信號分析處理方法。

11、（三）語言學、生、心理學方面的研究成果已有不少，但如何把這些知識量化、建模并用于語音識別，還需研究。而語言模型、語法及詞法模型在中、大詞匯量連續(xù)語音識別中是非常重要的。（四）我們對人類的聽覺理解、知識積累和學習機制以及大腦神經(jīng)系統(tǒng)的控制機理等分面的認識還很不清楚；其次，把這方面的現(xiàn)有成果用于語音識別，還有一個艱難的過程。（五）語音識別系統(tǒng)從實驗室演示系統(tǒng)到商品的轉(zhuǎn)化過程中還有許多具體問題需要解決，識別速度、拒識問題以及關(guān)鍵詞（句）檢測技術(shù)等等技術(shù)細節(jié)要解決。三、語音識別技術(shù)的前景和應(yīng)用語音識別技術(shù)到今天，特別是中小詞匯量非特定人語音識別系統(tǒng)識別精度已經(jīng)大于98%，對特定人語音識別系統(tǒng)的識別精度就更高。這些技術(shù)已經(jīng)能夠滿足通常應(yīng)用的要求。由于大規(guī)模集成電路技術(shù)的發(fā)展，這些復(fù)雜的語音識別系統(tǒng)也已經(jīng)完全可以制成專用芯片，大量生產(chǎn)。在西方發(fā)達國家，大量的語音識別產(chǎn)品已經(jīng)進入市場和服務(wù)領(lǐng)域。一些用戶交機、電話機、手機已經(jīng)包含了語音識別撥號