淺談?wù)Z音識(shí)別技術(shù)的發(fā)展趨勢(shì)與應(yīng)用前景

　　一、語(yǔ)音識(shí)別技術(shù)定義

　　語(yǔ)音識(shí)別技術(shù)，也被稱(chēng)為自動(dòng)語(yǔ)音識(shí)別Automatic Speech Recognition，（ASR），其目標(biāo)是將人類(lèi)的語(yǔ)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(shuō)話人識(shí)別及說(shuō)話人確認(rèn)不同，后者嘗試識(shí)別或確認(rèn)發(fā)出語(yǔ)音的說(shuō)話人而非其中所包含的詞匯內(nèi)容。

　　語(yǔ)音識(shí)別技術(shù)的應(yīng)用包括語(yǔ)音撥號(hào)、語(yǔ)音導(dǎo)航、室內(nèi)設(shè)備控制、語(yǔ)音文檔檢索、簡(jiǎn)單的聽(tīng)寫(xiě)數(shù)據(jù)錄入等。語(yǔ)音識(shí)別技術(shù)與其他自然語(yǔ)言處理技術(shù)如機(jī)器翻譯及語(yǔ)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(yǔ)音到語(yǔ)音的翻譯。

　　二、語(yǔ)音識(shí)別技術(shù)原理

　　語(yǔ)音識(shí)別系統(tǒng)提示客戶(hù)在新的場(chǎng)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(huì)被錄音欺騙。文本相關(guān)的聲音識(shí)別方法可以分為動(dòng)態(tài)時(shí)間伸縮或隱馬爾可夫模型方法。文本無(wú)關(guān)聲音識(shí)別已經(jīng)被研究很長(zhǎng)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(dòng)態(tài)時(shí)間伸縮方法使用瞬間的、變動(dòng)倒頻。1963年Bogert et al出版了《回聲的時(shí)序倒頻分析》。通過(guò)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(hào)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(cè)量。文本無(wú)關(guān)語(yǔ)音識(shí)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(yǔ)音頻譜中的音位影響被平均頻譜去除。使用矢量量化法，語(yǔ)者的一套短期訓(xùn)練的特征向量可以直接用來(lái)描繪語(yǔ)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)榇鎯?chǔ)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(lái)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(lái)確定語(yǔ)者特征，取得了很好的效果。

　　想騙過(guò)語(yǔ)音識(shí)別系統(tǒng)要有高質(zhì)量的錄音機(jī)，那不是很容易買(mǎi)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(duì)于大多數(shù)的語(yǔ)音識(shí)別系統(tǒng)，模仿的聲音都不會(huì)成功。用語(yǔ)音識(shí)別來(lái)辨認(rèn)身份是非常復(fù)雜的，所以語(yǔ)音識(shí)別系統(tǒng)會(huì)結(jié)合個(gè)人身份號(hào)碼識(shí)別或芯片卡。

　　語(yǔ)音識(shí)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(yǔ)音識(shí)別還是有一些缺點(diǎn)的。語(yǔ)音隨時(shí)間而變化，所以必須使用生物識(shí)別模板。語(yǔ)音也會(huì)由于傷風(fēng)、嗓音沙啞、情緒壓力或是青春期而變化。語(yǔ)音識(shí)別系統(tǒng)比指紋識(shí)別系統(tǒng)有著較高的誤識(shí)率，因?yàn)槿藗兊穆曇舨幌裰讣y那樣獨(dú)特和唯一。對(duì)快速傅立葉變換計(jì)算來(lái)說(shuō)，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(yǔ)音識(shí)別系統(tǒng)不適合移動(dòng)應(yīng)用或以電池為電源的系統(tǒng)。

　　三、語(yǔ)音識(shí)別的技術(shù)實(shí)現(xiàn)方式

　　語(yǔ)音識(shí)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(yǔ)音識(shí)別單元的選取。

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

　　單詞（句）單元在中小詞匯語(yǔ)音識(shí)別系統(tǒng)中應(yīng)用廣泛，但由于模型庫(kù)過(guò)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(yǔ)語(yǔ)音識(shí)別，因?yàn)闈h語(yǔ)是單音節(jié)結(jié)構(gòu)的語(yǔ)言，雖然有大約1300個(gè)音節(jié)，但無(wú)調(diào)音節(jié)共408個(gè)，相對(duì)較少，所以音節(jié)單元在中、大詞匯量的漢語(yǔ)語(yǔ)音識(shí)別系統(tǒng)上是可行的。

　　音素單元之前曾廣泛應(yīng)用于英語(yǔ)語(yǔ)音識(shí)別，也越來(lái)越多的應(yīng)用于中、大詞匯量漢語(yǔ)語(yǔ)音識(shí)別系統(tǒng)中。原因在于漢語(yǔ)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(duì)語(yǔ)音信號(hào)進(jìn)行分析處理，把豐富的語(yǔ)音信息中的冗余信息去除，獲得對(duì)語(yǔ)音識(shí)別有用的信息。這是一個(gè)對(duì)語(yǔ)音信號(hào)進(jìn)行信息壓縮的過(guò)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(cè)（LP）分析技術(shù)?；贚P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(cè)（PLP）分析提取的感知線性預(yù)測(cè)倒譜對(duì)人耳處理聲音的模擬，進(jìn)一步提高了語(yǔ)音識(shí)別系統(tǒng)的性能。

　?。?）模式匹配及模型訓(xùn)練技術(shù)。早期的語(yǔ)音識(shí)別應(yīng)用的模式匹配和模型訓(xùn)練技術(shù)是動(dòng)態(tài)時(shí)間歸正技術(shù)（DTW），它在孤立詞語(yǔ)音識(shí)別中獲得了良好性能，但是由于對(duì)大詞匯量以及連續(xù)語(yǔ)音識(shí)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。