淺談?wù)Z音識別技術(shù)的發(fā)展趨勢與應(yīng)用前景

　　語音識別技術(shù)，也被稱為自動語音識別Automatic Speech Recognition，（ASR），其目標(biāo)是將人類的語音中的詞匯內(nèi)容轉(zhuǎn)換為計(jì)算機(jī)可讀的輸入，例如按鍵、二進(jìn)制編碼或者字符序列。與說話人識別及說話人確認(rèn)不同，后者嘗試識別或確認(rèn)發(fā)出語音的說話人而非其中所包含的詞匯內(nèi)容。

　　語音識別技術(shù)的應(yīng)用包括語音撥號、語音導(dǎo)航、室內(nèi)設(shè)備控制、語音文檔檢索、簡單的聽寫數(shù)據(jù)錄入等。語音識別技術(shù)與其他自然語言處理技術(shù)如機(jī)器翻譯及語音合成技術(shù)相結(jié)合，可以構(gòu)建出更加復(fù)雜的應(yīng)用，例如語音到語音的翻譯。

　　語音識別系統(tǒng)提示客戶在新的場合使用新的口令密碼，這樣使用者不需要記住固定的口令，系統(tǒng)也不會被錄音欺騙。文本相關(guān)的聲音識別方法可以分為動態(tài)時(shí)間伸縮或隱馬爾可夫模型方法。文本無關(guān)聲音識別已經(jīng)被研究很長時(shí)間了，不一致環(huán)境造成的性能下降是應(yīng)用中的一個(gè)很大的障礙。

　　其工作原理：

　　動態(tài)時(shí)間伸縮方法使用瞬間的、變動倒頻。1963年Bogert et al出版了《回聲的時(shí)序倒頻分析》。通過交換字母順序，他們用一個(gè)含義廣泛的詞匯定義了一個(gè)新的信號處理技術(shù)，倒頻譜的計(jì)算通常使用快速傅立葉變換。

　　從1975年起，隱馬爾可夫模型變得很流行。運(yùn)用隱馬爾可夫模型的方法，頻譜特征的統(tǒng)計(jì)變差得以測量。文本無關(guān)語音識別方法的例子有平均頻譜法、矢量量化法和多變量自回歸法。

　　平均頻譜法使用有利的倒頻距離，語音頻譜中的音位影響被平均頻譜去除。使用矢量量化法，語者的一套短期訓(xùn)練的特征向量可以直接用來描繪語者的本質(zhì)特征。但是，當(dāng)訓(xùn)練向量的數(shù)量很大時(shí)，這種直接的描繪是不切實(shí)際的，因?yàn)?u>存儲和計(jì)算的量變得離奇的大。所以嘗試用矢量量化法去尋找有效的方法來壓縮訓(xùn)練數(shù)據(jù)。Montacie et al在倒頻向量的時(shí)序中應(yīng)用多變量自回歸模式來確定語者特征，取得了很好的效果。

　　想騙過語音識別系統(tǒng)要有高質(zhì)量的錄音機(jī)，那不是很容易買到的。一般的錄音機(jī)不能記錄聲音的完整頻譜，錄音系統(tǒng)的質(zhì)量損失也必須是非常低的。對于大多數(shù)的語音識別系統(tǒng)，模仿的聲音都不會成功。用語音識別來辨認(rèn)身份是非常復(fù)雜的，所以語音識別系統(tǒng)會結(jié)合個(gè)人身份號碼識別或芯片卡。

　　語音識別系統(tǒng)得益于廉價(jià)的硬件設(shè)備，大多數(shù)的計(jì)算機(jī)都有聲卡和麥克風(fēng)，也很容易使用。但語音識別還是有一些缺點(diǎn)的。語音隨時(shí)間而變化，所以必須使用生物識別模板。語音也會由于傷風(fēng)、嗓音沙啞、情緒壓力或是青春期而變化。語音識別系統(tǒng)比指紋識別系統(tǒng)有著較高的誤識率，因?yàn)槿藗兊穆曇舨幌裰讣y那樣獨(dú)特和唯一。對快速傅立葉變換計(jì)算來說，系統(tǒng)需要協(xié)同處理器和比指紋系統(tǒng)更多的效能。目前語音識別系統(tǒng)不適合移動應(yīng)用或以電池為電源的系統(tǒng)。

　　語音識別技術(shù)主要包括特征提取技術(shù)、模式匹配準(zhǔn)則及模型訓(xùn)練技術(shù)三個(gè)方面，其中，最基礎(chǔ)的就是語音識別單元的選取。

　　（1）語音識別單元的選取。語音識別研究的基礎(chǔ)是選擇語音識別單元。語音識別單元有單詞（句）、音節(jié)和音素三種，具體選擇哪一種語音識別單元由具體研究任務(wù)的類型決定：

　　單詞（句）單元在中小詞匯語音識別系統(tǒng)中應(yīng)用廣泛，但由于模型庫過于龐大，模型匹配算法復(fù)雜，實(shí)時(shí)性不強(qiáng)，所以不適合大詞匯系統(tǒng)；

　　音節(jié)單元主要應(yīng)用于漢語語音識別，因?yàn)闈h語是單音節(jié)結(jié)構(gòu)的語言，雖然有大約1300個(gè)音節(jié)，但無調(diào)音節(jié)共408個(gè)，相對較少，所以音節(jié)單元在中、大詞匯量的漢語語音識別系統(tǒng)上是可行的。

　　音素單元之前曾廣泛應(yīng)用于英語語音識別，也越來越多的應(yīng)用于中、大詞匯量漢語語音識別系統(tǒng)中。原因在于漢語音節(jié)僅由22個(gè)聲母和28個(gè)韻母構(gòu)成，把聲母細(xì)化，雖然增加了模型數(shù)量，但是提高了易混淆音節(jié)的區(qū)分能力

　?。?）特征參數(shù)提取技術(shù)。特征提取就是對語音信號進(jìn)行分析處理，把豐富的語音信息中的冗余信息去除，獲得對語音識別有用的信息。這是一個(gè)對語音信號進(jìn)行信息壓縮的過程，目前經(jīng)常采用的特征參數(shù)提取技術(shù)是線性預(yù)測（LP）分析技術(shù)。基于LP技術(shù)提取的倒譜參數(shù)再加上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)測倒譜對人耳處理聲音的模擬，進(jìn)一步提高了語音識別系統(tǒng)的性能。

　?。?）模式匹配及模型訓(xùn)練技術(shù)。早期的語音識別應(yīng)用的模式匹配和模型訓(xùn)練技術(shù)是動態(tài)時(shí)間歸正技術(shù)（DTW），它在孤立詞語音識別中獲得了良好性能，但是由于對大詞匯量以及連續(xù)語音識別的不準(zhǔn)確，目前已經(jīng)被隱馬爾可夫模型（HMM）和人工神經(jīng)元網(wǎng)絡(luò)（ANN）所取代。