國內(nèi)外語音識別技術(shù)發(fā)展現(xiàn)狀探討

　　語音識別的意思是將人說話的內(nèi)容和意思轉(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等。與說話人的識別不同，后者主要是識別和確認(rèn)發(fā)出語音的人而非其中所包含的內(nèi)容。語音識別的目的就是讓機(jī)器聽懂人類口述的語言，包括了兩方面的含義：第一是逐字逐句聽懂而不是轉(zhuǎn)化成書面的語言文字;第二是對口述語言中所包含的命令或請求加以領(lǐng)會，做出正確回應(yīng)，而不僅僅只是拘泥于所有詞匯的正確轉(zhuǎn)換。

　　自從1952年，AT&TBell實(shí)驗(yàn)室的Davis等人研制了第一個(gè)可十個(gè)英文數(shù)字的特定人語音增強(qiáng)系統(tǒng)一Audry系統(tǒng)1956年，美國普林斯頓大學(xué)RCA實(shí)驗(yàn)室的Olson和Belar等人研制出能10個(gè)單音節(jié)詞的系統(tǒng)，該系統(tǒng)采用帶通濾波器組獲得的頻譜參數(shù)作為語音增強(qiáng)特征。1959年，F(xiàn)ry和Denes等人嘗試構(gòu)建音素器來4個(gè)元音和9個(gè)輔音，并采用頻譜分析和模式匹配進(jìn)行決策。這就大大提高了語音識別的效率和準(zhǔn)確度。從此計(jì)算機(jī)語音識別的受到了各國科研人員的重視并開始進(jìn)入語音識別的研究。60年代，蘇聯(lián)的MaTIn等提出了語音結(jié)束點(diǎn)的端點(diǎn)檢測，使語音識別水平明顯上升;Vintsyuk提出了動態(tài)編程，這一提法在以后的識別中不可或缺。60年代末、70年代初的重要成果是提出了信號線性預(yù)測編碼(LPC)技術(shù)和動態(tài)時(shí)間規(guī)整(DTW)技術(shù)，有效地解決了語音信號的特征提取和不等長語音匹配問題;同時(shí)提出了矢量量化(VQ)和隱馬爾可夫模型(HMM)理論。語音識別技術(shù)與語音合成技術(shù)結(jié)合使人們能夠擺脫鍵盤的束縛，取而代之的是以語音輸入這樣便于使用的、自然的、人性化的輸入方式，它正逐步成為信息技術(shù)中人機(jī)接口的關(guān)鍵技術(shù)。

　　一：語音識別技術(shù)發(fā)展現(xiàn)狀-語音識別系統(tǒng)的分類

　　語音識別系統(tǒng)可以根據(jù)對輸入語音的限制加以分類。如果從說話者與識別系統(tǒng)的相關(guān)性考慮，可以將識別系統(tǒng)分為三類：

　　(1)特定人語音識別系統(tǒng)。僅考慮對于專人的話音進(jìn)行識別。

　　(2)非特定人語音系統(tǒng)。識別的語音與人無關(guān)，通常要用大量不同人的語音數(shù)據(jù)庫對識別系統(tǒng)進(jìn)行學(xué)習(xí)。

　　(3)多人的識別系統(tǒng)。通常能識別一組人的語音，或者成為特定組語音識別系統(tǒng)，該系統(tǒng)僅要求對要識別的那組人的語音進(jìn)行訓(xùn)練。

　　如果從說話的方式考慮，也可以將識別系統(tǒng)分為三類：

　　(1)孤立詞語音識別系統(tǒng)。孤立詞識別系統(tǒng)要求輸入每個(gè)詞后要停頓。

　　(2)連接詞語音識別系統(tǒng)。連接詞輸入系統(tǒng)要求對每個(gè)詞都清楚發(fā)音，一些連音現(xiàn)象開始出現(xiàn)。

　　(3)連續(xù)語音識別系統(tǒng)。連續(xù)語音輸入是自然流利的連續(xù)語音輸入，大量連音和變音會出現(xiàn)。

　　如果從識別系統(tǒng)的詞匯量大小考慮，也可以將識別系統(tǒng)分為三類：

　　(1)小詞匯量語音識別系統(tǒng)。通常包括幾十個(gè)詞的語音識別系統(tǒng)。

　　(2)中等詞匯量的語音識別系統(tǒng)。通常包括幾百個(gè)詞到上千個(gè)詞的識別系統(tǒng)。

　　(3)大詞匯量語音識別系統(tǒng)。通常包括幾千到幾萬個(gè)詞的語音識別系統(tǒng)。隨著計(jì)算機(jī)與數(shù)字信號處理器運(yùn)算能力以及識別系統(tǒng)精度的提高，識別系統(tǒng)根據(jù)詞匯量大小進(jìn)行分類也不斷進(jìn)行變化。目前是中等詞匯量的識別系統(tǒng)，將來可能就是小詞匯量的語音識別系統(tǒng)。這些不同的限制也確定了語音識別系統(tǒng)的困難度。

　　二：語音識別技術(shù)發(fā)展現(xiàn)狀-語音識別的方法匯總分析

　　目前具有代表性的語音識別方法主要有動態(tài)時(shí)間規(guī)整技術(shù)(DTW)、隱馬爾可夫模型(HMM)、矢量量化(VQ)、人工神經(jīng)網(wǎng)絡(luò)(ANN)、支持向量機(jī)(SVM)等方法。

　　動態(tài)時(shí)間規(guī)整算法(Dynamic TIme Warping，DTW)是在非特定人語音識別中一種簡單有效的方法，該算法基于動態(tài)規(guī)劃的思想，解決了發(fā)音長短不一的模板匹配問題，是語音識別技術(shù)中出現(xiàn)較早、較常用的一種算法。在應(yīng)用DTW算法進(jìn)行語音識別時(shí)，就是將已經(jīng)預(yù)處理和分幀過的語音測試信號和參考語音模板進(jìn)行比較以獲取他們之間的相似度，按照某種距離測度得出兩模板間的相似程度并選擇最佳路徑。

　　隱馬爾可夫模型(HMM)是語音信號處理中的一種統(tǒng)計(jì)模型，是由Markov鏈演變來的，所以它是基于參數(shù)模型的統(tǒng)計(jì)識別方法。由于其模式庫是通過反復(fù)訓(xùn)練形成的與訓(xùn)練輸出信號吻合概率最大的最佳模型參數(shù)而不是預(yù)先儲存好的模式樣本，且其識別過程中運(yùn)用待識別語音序列與HMM參數(shù)之間的似然概率達(dá)到最大值所對應(yīng)的最佳狀態(tài)序列作為識別輸出，因此是較理想的語音識別模型。

　　矢量量化(Vector QuanTIzaTIon)是一種重要的信號壓縮方法。與HMM相比，矢量量化主要適用于小詞匯量、孤立詞的語音識別中。其過程是將若干個(gè)語音信號波形或特征參數(shù)的標(biāo)量數(shù)據(jù)組成一個(gè)矢量在多維空間進(jìn)行整體量化。把矢量空間分成若干個(gè)小區(qū)域，每個(gè)小區(qū)域?qū)ふ乙粋€(gè)代表矢量，量化時(shí)落入小區(qū)域的矢量就用這個(gè)代表矢量代替。矢量量化器的設(shè)計(jì)就是從大量信號樣本中訓(xùn)練出好的碼書，從實(shí)際效果出發(fā)尋找到好的失真測度定義公式，設(shè)計(jì)出最佳的矢量量化系統(tǒng)，用最少的搜索和計(jì)算失真的運(yùn)算量實(shí)現(xiàn)最大可能的平均信噪比。

　　在實(shí)際的應(yīng)用過程中，人們還研究了多種降低復(fù)雜度的方法，包括無記憶的矢量量化、有記憶的矢量量化和模糊矢量量化方法。

　　人工神經(jīng)網(wǎng)絡(luò)(ANN)是20世紀(jì)80年代末期提出的一種新的語音識別方法。其本質(zhì)上是一個(gè)自適應(yīng)非線性動力學(xué)系統(tǒng)，模擬了人類神經(jīng)活動的原理，具有自適應(yīng)性、并行性、魯棒性、容錯(cuò)性和學(xué)習(xí)特性，其強(qiáng)大的分類能力和輸入—輸出映射能力在語音識別中都很有吸引力。其方法是模擬人腦思維機(jī)制的工程模型，它與HMM正好相反，其分類決策能力和對不確定信息的描述能力得到舉世公認(rèn)，但它對動態(tài)時(shí)間信號的描述能力尚不盡如人意，通常MLP分類器只能解決靜態(tài)模式分類問題，并不涉及時(shí)間序列的處理。盡管學(xué)者們提出了許多含反饋的結(jié)構(gòu)，但它們?nèi)圆蛔阋钥坍嬛T如語音信號這種時(shí)間序列的動態(tài)特性。由于ANN不能很好地描述語音信號的時(shí)間動態(tài)特性，所以常把ANN與傳統(tǒng)識別方法結(jié)合，分別利用各自優(yōu)點(diǎn)來進(jìn)行語音識別而克服HMM和ANN各自的缺點(diǎn)。近年來結(jié)合神經(jīng)網(wǎng)絡(luò)和隱含馬爾可夫模型的識別算法研究取得了顯著進(jìn)展，其識別率已經(jīng)接近隱含馬爾可夫模型的識別系統(tǒng)，進(jìn)一步提高了語音識別的魯棒性和準(zhǔn)確率。

　　支持向量機(jī)(Support vector machine)是應(yīng)用統(tǒng)計(jì)學(xué)理論的一種新的學(xué)習(xí)機(jī)模型，采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理(Structural Risk Minimization，SRM)，有效克服了傳統(tǒng)經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化方法的缺點(diǎn)。兼顧訓(xùn)練誤差和泛化能力，在解決小樣本、非線性及高維模式識別方面有許多優(yōu)越的性能，已經(jīng)被廣泛地應(yīng)用到模式識別領(lǐng)域。

　　三：語音識別技術(shù)發(fā)展現(xiàn)狀-國外研究

　　語音識別的研究工作可以追溯到20世紀(jì)50年代AT&T貝爾實(shí)驗(yàn)室的Audry系統(tǒng)，它是第一個(gè)可以識別十個(gè)英文數(shù)字的語音識別系統(tǒng)。

　　但真正取得實(shí)質(zhì)性進(jìn)展，并將其作為一個(gè)重要的課題開展研究則是在60年代末70年代初。這首先是因?yàn)橛?jì)算機(jī)技術(shù)的發(fā)展為語音識別的實(shí)現(xiàn)提供了硬件和軟件的可能，更重要的是語音信號線性預(yù)測編碼(LPC)技術(shù)和動態(tài)時(shí)間規(guī)整(DTW)技術(shù)的提出，有效的解決了語音信號的特征提取和不等長匹配問題。這一時(shí)期的語音識別主要基于模板匹配原理，研究的領(lǐng)域局限在特定人，小詞匯表的孤立詞識別，實(shí)現(xiàn)了基于線性預(yù)測倒譜和DTW技術(shù)的特定人孤立詞語音識別系統(tǒng);同時(shí)提出了矢量量化(VQ)和隱馬爾可夫模型(HMM)理論。

　　隨著應(yīng)用領(lǐng)域的擴(kuò)大，小詞匯表、特定人、孤立詞等這些對語音識別的約束條件需要放寬，與此同時(shí)也帶來了許多新的問題：第一，詞匯表的擴(kuò)大使得模板的選取和建立發(fā)生困難;第二，連續(xù)語音中，各個(gè)音素、音節(jié)以及詞之間沒有明顯的邊界，各個(gè)發(fā)音單位存在受上下文強(qiáng)烈影響的協(xié)同發(fā)音(Co-articulation)現(xiàn)象;第三，非特定人識別時(shí)，不同的人說相同的話相應(yīng)的聲學(xué)特征有很大的差異，即使相同的人在不同的時(shí)間、生理、心理狀態(tài)下，說同樣內(nèi)容的話也會有很大的差異;第四，識別的語音中有背景噪聲或其他干擾。因此原有的模板匹配方法已不再適用。

　　實(shí)驗(yàn)室語音識別研究的巨大突破產(chǎn)生于20世紀(jì)80年代末：人們終于在實(shí)驗(yàn)室突破了大詞匯量、連續(xù)語音和非特定人這三大障礙，第一次把這三個(gè)特性都集成在一個(gè)系統(tǒng)中，比較典型的是卡耐基梅隆大學(xué)(CarnegieMellonUniversity)的Sphinx系統(tǒng)，它是第一個(gè)高性能的非特定人、大詞匯量連續(xù)語音識別系統(tǒng)。