語音識別作為信息技術(shù)中一種人機接口的關(guān)鍵技術(shù)，具有重要的研究意義和廣泛的應(yīng)用價值。介紹了語音識別技術(shù)發(fā)展的歷程，具體闡述了語音識別概念、基本原理、聲學(xué)建模方法等基本知識，并對語音識別技術(shù)在各領(lǐng)域的應(yīng)用作了簡要介紹。

 

語言是人類相互交流最常用、最有效、最重要和最方便的通信形式，語音是語言的聲學(xué)表現(xiàn)，與機器進行語音交流是人類一直以來的夢想。隨著計算機技術(shù)的飛速發(fā)展，語音識別技術(shù)也取得突破性的成就，人與機器用自然語言進行對話的夢想逐步接近實現(xiàn)。語音識別技術(shù)的應(yīng)用范圍極為廣泛，不僅涉及到日常生活的方方面面，在軍事領(lǐng)域也發(fā)揮著極其重要的作用。它是信息社會朝著智能化和自動化發(fā)展的關(guān)鍵技術(shù)，使人們對信息的處理和獲取更加便捷，從而提高人們的工作效率。

 

 

語音識別技術(shù)起始于20世紀(jì)50年代。這一時期，語音識別的研究主要集中在對元音、輔音、數(shù)字以及孤立詞的識別。

 

20世紀(jì)60年代，語音識別研究取得實質(zhì)性進展。線性預(yù)測分析和動態(tài)規(guī)劃的提出較好地解決了語音信號模型的產(chǎn)生和語音信號不等長兩個問題，并通過語音信號的線性預(yù)測編碼，有效地解決了語音信號的特征提取。

 

2O世紀(jì)70年代，語音識別技術(shù)取得突破性進展?；趧討B(tài)規(guī)劃的動態(tài)時間規(guī)整(Dynamic Time Warping，DTW)技術(shù)基本成熟，特別提出了矢量量化(Vector Quantization，VQ)和隱馬爾可夫模型(Hidden Markov Model，HMM)理論。

 

20世紀(jì)80年代，語音識別任務(wù)開始從孤立詞、連接詞的識別轉(zhuǎn)向大詞匯量、非特定人、連續(xù)語音的識別，識別算法也從傳統(tǒng)的基于標(biāo)準(zhǔn)模板匹配的方法轉(zhuǎn)向基于統(tǒng)計模型的方法。在聲學(xué)模型方面，由于HMM能夠很好的描述語音時變性和平穩(wěn)性，開始被廣泛應(yīng)用于大詞匯量連續(xù)語音識別(Large Vocabulary Continous Speech Recognition，LVCSR)的聲學(xué)建模；在語言模型方面，以N元文法為代表的統(tǒng)計語言模型開始廣泛應(yīng)用于語音識別系統(tǒng) 。在這一階段，基于HMM/VQ、HMM/高斯混合模型、HMM/人工神經(jīng)網(wǎng)絡(luò)的語音建模方法開始廣泛應(yīng)用于LVCSR系統(tǒng)，語音識別技術(shù)取得新突破。

 

20世紀(jì)90年代以后，伴隨著語音識別系統(tǒng)走向?qū)嵱没Z音識別在細(xì)化模型的設(shè)計、參數(shù)提取和優(yōu)化、系統(tǒng)的自適應(yīng)方面取得較大進展 。同時，人們更多地關(guān)注話者自適應(yīng)、聽覺模型、快速搜索識別算法以及進一步的語言模型的研究等課題 。此外，語音識別技術(shù)開始與其他領(lǐng)域相關(guān)技術(shù)進行結(jié)合，以提高識別的準(zhǔn)確率，便于實現(xiàn)語音識別技術(shù)的產(chǎn)品化。

 

 

語音識別是將人類的聲音信號轉(zhuǎn)化為文字或者指令的過程。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。語音識別的研究涉及微機技術(shù)、人工智能、數(shù)字信號處理、模式識別、聲學(xué)、語言學(xué)和認(rèn)知科學(xué)等許多學(xué)科領(lǐng)域，是一個多學(xué)科綜合性研究領(lǐng)域。

 

根據(jù)在不同限制條件下的研究任務(wù)，產(chǎn)生了不同的研究領(lǐng)域。這些領(lǐng)域包括：根據(jù)對說話人說話方式的要求，可分為孤立字(詞)、連接詞和連續(xù)語音識別系統(tǒng)；根據(jù)對說話人的依賴程度，可分為特定人和非特定人語音識別系統(tǒng)；根據(jù)詞匯量的大小，可分為小詞匯量、中等詞匯量、大詞匯量以及無限詞匯量語音識別系統(tǒng)。

 

 

從語音識別模型的角度講，主流的語音識別系統(tǒng)理論是建立在統(tǒng)計模式識別基礎(chǔ)之上的。語音識別的目標(biāo)是利用語音學(xué)與語言學(xué)信息，把輸入的語音特征向量序列X=x1，x2，……，xT轉(zhuǎn)化成詞序列W=w1，w2，……，wN并輸出?；谧畲蠛篁灨怕实恼Z音識別模型如下式所示：

其中，P(X|W)是特征矢量序列X在給定W條件下的條件概率，由聲學(xué)模型決定。P(W)是W獨立于語音特征矢量的先驗概率，由語言模型決定。由于將概率取對數(shù)不影響W的選取，第四個等式成立。logP(X|W)與logP(W)分別表示聲學(xué)得分與語言得分，且分別通過聲學(xué)模型與語言模型計算得到。A是平衡聲學(xué)模型與語言模型的權(quán)重。從語音識別系統(tǒng)構(gòu)成的角度講，一個完整的語音識別系統(tǒng)包括特征提取、聲學(xué)模型、語言模型、搜索算法等模塊。語音識別系統(tǒng)本質(zhì)上是一種多維模式識別系統(tǒng)，對于不同的語音識別系統(tǒng)，人們所采用的具體識別方法及技術(shù)不同，但其基本原理都是相同的，即將采集到的語音信號送到特征提取模塊處理，將所得到的語音特征參數(shù)送入模型庫模塊，由聲音模式匹配模塊根據(jù)模型庫對該段語音進行識別，最后得出識別結(jié)果 。

語音識別系統(tǒng)基本原理框圖如圖1所示，其中：預(yù)處理模塊濾除原始語音信號中的次要信息及背景噪音等，包括抗混疊濾波、預(yù)加重、模／數(shù)轉(zhuǎn)換、自動增益控制等處理過程，將語音信號數(shù)字化；特征提取模塊對語音的聲學(xué)參數(shù)進行分析后提取出語音特征參數(shù)，形成特征矢量序列。語音識別系統(tǒng)常用的特征參數(shù)有短時平均幅度、短時平均能量、線性預(yù)測編碼系數(shù)、短時頻譜等。特征提取和選擇是構(gòu)建系統(tǒng)的關(guān)鍵，對識別效果極為重要。

圖1 語音識別基本原理框圖

 

由于語音信號本質(zhì)上屬于非平穩(wěn)信號，目前對語音信號的分析是建立在短時平穩(wěn)性假設(shè)之上的。在對語音信號作短時平穩(wěn)假設(shè)后，通過對語音信號進行加窗，實現(xiàn)短時語音片段上的特征提取。這些短時片段被稱為幀，以幀為單位的特征序列構(gòu)成語音識別系統(tǒng)的輸人。由于梅爾倒譜系數(shù)及感知線性預(yù)測系數(shù)能夠從人耳聽覺特性的角度準(zhǔn)確刻畫語音信號，已經(jīng)成為目前主流的語音特征。為補償幀間獨立性假設(shè)，人們在使用梅爾倒譜系數(shù)及感知線性預(yù)測系數(shù)時，通常加上它們的一階、二階差分，以引入信號特征的動態(tài)特征。

 

聲學(xué)模型是語音識別系統(tǒng)中最為重要的部分之一。聲學(xué)建模涉及建模單元選取、模型狀態(tài)聚類、模型參數(shù)估計等很多方面。在目前的LVCSR系統(tǒng)中，普遍采用上下文相關(guān)的模型作為基本建模單元，以刻畫連續(xù)語音的協(xié)同發(fā)音現(xiàn)象。在考慮了語境的影響后，聲學(xué)模型的數(shù)量急劇增加，LVCSR系統(tǒng)通常采用狀態(tài)聚類的方法壓縮聲學(xué)參數(shù)的數(shù)量，以簡化模型的訓(xùn)練。在訓(xùn)練過程中，系統(tǒng)對若干次訓(xùn)練語音進行預(yù)處理，并通過特征提取得到特征矢量序列，然后由特征建模模塊建立訓(xùn)練語音的參考模式庫。

 

搜索是在指定的空間當(dāng)中，按照一定的優(yōu)化準(zhǔn)則，尋找最優(yōu)詞序列的過程。搜索的本質(zhì)是問題求解，廣泛應(yīng)用于語音識別、機器翻譯等人工智能和模式識別的各個領(lǐng)域。它通過利用已掌握的知識(聲學(xué)知識、語音學(xué)知識、詞典知識、語言模型知識等)，在狀態(tài)(從高層至底層依次為詞、聲學(xué)模型、HMM狀態(tài))空間中找到最優(yōu)的狀態(tài)序列。最終的詞序列是對輸入的語音信號在一定準(zhǔn)則下的一個最優(yōu)描述。在識別階段，將輸入語音的特征矢量參數(shù)同訓(xùn)練得到的參考模板庫中的模式進行相似性度量比較，將相似度最高的模式所屬的類別作為識別中間候選結(jié)果輸出。為了提高識別的正確率，在后處理模塊中對上述得到的候選識別結(jié)果繼續(xù)處理，包括通過Lattice重打分融合更高元的語言模型、通過置信度度量得到識別結(jié)果的可靠程度等。最終通過增加約束，得到更可靠的識別結(jié)果。

 

 

常用的聲學(xué)建模方法包含以下三種：基于模式匹配的動態(tài)時間規(guī)整法(DTW)；隱馬爾可夫模型法(HMM)；基于人工神經(jīng)網(wǎng)絡(luò)識別法(ANN)等。

 

DTW 是較早的一種模式匹配的方法。它基于動態(tài)規(guī)劃的思想，解決孤立詞語音識別中的語音信號特征參數(shù)序列比較時長度不一的模板匹配問題 在實際應(yīng)用中，DTW通過計算已預(yù)處理和分幀的語音信號與參考模板之間的相似度，再按照某種距離測度計算出模板間的相似度并選擇最佳路徑。

 

HMM是對語音信號的時間序列結(jié)構(gòu)所建立的統(tǒng)計模型，是在馬爾可夫鏈的基礎(chǔ)上發(fā)展起來的，它是一種基于參數(shù)模型的統(tǒng)計識別方法。HMM可模仿人的言語過程，可視作一個雙重隨機過程：一個是用具有有限狀態(tài)數(shù)的馬爾可夫鏈來模擬語音信號統(tǒng)計特性變化的隱含的隨機過程，另一個是與馬爾可夫鏈的每一個狀態(tài)相關(guān)聯(lián)的觀測序列的隨機過程。

ANN以數(shù)學(xué)模型模擬神經(jīng)元活動，將人工神經(jīng)網(wǎng)絡(luò)中大量神經(jīng)元并行分布運算的原理、高效的學(xué)習(xí)算法以及對人的認(rèn)知系統(tǒng)的模仿能力充分運用到語音識別領(lǐng)域，并結(jié)合神經(jīng)網(wǎng)絡(luò)和隱含馬爾可夫模型的識別算法，克服了ANN在描述語音信號時間動態(tài)特性方面的缺點，進一步提高了語音識別的魯棒性和準(zhǔn)確率。其中成功的方法就是在混合模型中用ANN替代高斯混合模型估計音素或狀態(tài)的后驗概率。2011年，微軟以深度神經(jīng)網(wǎng)絡(luò)替代多層感知機形成的混合模型系統(tǒng)大大提高了語音識別的準(zhǔn)確率。

 

 

語音識別技術(shù)有著非常廣泛的應(yīng)用領(lǐng)域和市場前景。在語音輸入控制系統(tǒng)中，它使得人們可以甩掉鍵盤，通過識別語音中的要求、請求、命令或詢問來作出正確的響應(yīng)，這樣既可以克服人工鍵盤輸入速度慢，極易出差錯的缺點，又有利于縮短系統(tǒng)的反應(yīng)時間，使人機交流變得簡便易行，比如用于聲控語音撥號系統(tǒng)、聲控智能玩具、智能家電等領(lǐng)域。在智能對話查詢系統(tǒng)中，人們通過語音命令，可以方便地從遠(yuǎn)端的數(shù)據(jù)庫系統(tǒng)中查詢與提取有關(guān)信息，享受自然、友好的數(shù)據(jù)庫檢索服務(wù)，例如信息網(wǎng)絡(luò)查詢、醫(yī)療服務(wù)、銀行服務(wù)等。語音識別技術(shù)還可以應(yīng)用于自動口語翻譯，即通過將口語識別技術(shù)、機器翻譯技術(shù)、語音合成技術(shù)等相結(jié)合，可將一種語言的語音輸入翻譯為另一種語言的語音輸出，實現(xiàn)跨語言交流。

 

語音識別技術(shù)在軍事斗爭領(lǐng)域里也有著極為重要的應(yīng)用價值和極其廣闊的應(yīng)用空間。一些語音識別技術(shù)就是著眼于軍事活動而研發(fā)，并在軍事領(lǐng)域首先應(yīng)用、首獲成效的，軍事應(yīng)用對語音識別系統(tǒng)的識別精度、響應(yīng)時間、惡劣環(huán)境下的頑健性都提出了更高的要求。目前，語音識別技術(shù)已在軍事指揮和控制自動化方面得以應(yīng)用。比如，將語音識別技術(shù)應(yīng)用于航空飛行控制，可快速提高作戰(zhàn)效率和減輕飛行員的工作負(fù)擔(dān)，飛行員利用語音輸人來代替?zhèn)鹘y(tǒng)的手動操作和控制各種開關(guān)和設(shè)備，以及重新改編或排列顯示器上的顯示信息等，可使飛行員把時間和精力集中于對攻擊目標(biāo)的判斷和完成其他操作上來，以便更快獲得信息來發(fā)揮戰(zhàn)術(shù)優(yōu)勢。

 

 

語音識別的研究工作對于信息化社會的發(fā)展，人們生活水平的提高等方面有著深遠(yuǎn)的意義。隨著計算機信息技術(shù)的不斷發(fā)展，語音識別技術(shù)將取得更多重大突破，語音識別系統(tǒng)的研究將會更加深入，有著更加廣闊的發(fā)展空間。