國(guó)內(nèi)外語音識(shí)別技術(shù)發(fā)展現(xiàn)狀探討

　　這一時(shí)期，語音識(shí)別研究進(jìn)一步走向深入，其顯著特征是HMM模型和人工神經(jīng)元網(wǎng)絡(luò)(ANN)在語音識(shí)別中的成功應(yīng)用。HMM模型的廣泛應(yīng)用應(yīng)歸功于AT&TBell實(shí)驗(yàn)室Rabiner等科學(xué)家的努力，他們把原本艱澀的HMM純數(shù)學(xué)模型工程化，從而為更多研究者了解和認(rèn)識(shí)，從而使統(tǒng)計(jì)方法成為了語音識(shí)別技術(shù)的主流。

　　統(tǒng)計(jì)方法將研究者的視線從微觀轉(zhuǎn)向宏觀，不再刻意追求語音特征的細(xì)化，而是更多地從整體平均(統(tǒng)計(jì))的角度來建立最佳的語音識(shí)別系統(tǒng)。在聲學(xué)模型方面，以Markov鏈為基礎(chǔ)的語音序列建模方法HMM(隱式Markov鏈)比較有效地解決了語音信號(hào)短時(shí)穩(wěn)定、長(zhǎng)時(shí)時(shí)變的特性，并且能根據(jù)一些基本建模單元構(gòu)造成連續(xù)語音的句子模型，達(dá)到了比較高的建模精度和建模靈活性。在語言層面上，通過統(tǒng)計(jì)真實(shí)大規(guī)模語料的詞之間同現(xiàn)概率即N元統(tǒng)計(jì)模型來區(qū)分識(shí)別帶來的模糊音和同音詞。另外，人工神經(jīng)網(wǎng)絡(luò)方法、基于文法規(guī)則的語言處理機(jī)制等也在語音識(shí)別中得到了應(yīng)用。

　　20世紀(jì)90年代前期，許多著名的大公司如IBM、蘋果、AT&T和NTT都對(duì)語音識(shí)別系統(tǒng)的實(shí)用化研究投以巨資。語音識(shí)別技術(shù)有一個(gè)很好的評(píng)估機(jī)制，那就是識(shí)別的準(zhǔn)確率，而這項(xiàng)指標(biāo)在20世紀(jì)90年代中后期實(shí)驗(yàn)室研究中得到了不斷的提高。比較有代表性的系統(tǒng)有：IBM公司推出的ViaVoice和DragonSystem公司的NaturallySpeaking，Nuance公司的NuanceVoicePlatform語音平臺(tái)，Microsoft的Whisper，Sun的VoiceTone等。

　　其中IBM公司于1997年開發(fā)出漢語ViaVoice語音識(shí)別系統(tǒng)，次年又開發(fā)出可以識(shí)別上海話、廣東話和四川話等地方口音的語音識(shí)別系統(tǒng)ViaVoice‘98。它帶有一個(gè)32，000詞的基本詞匯表，可以擴(kuò)展到65，000詞，還包括辦公常用詞條，具有“糾錯(cuò)機(jī)制”，其平均識(shí)別率可以達(dá)到95%。該系統(tǒng)對(duì)新聞?wù)Z音識(shí)別具有較高的精度，是目前具有代表性的漢語連續(xù)語音識(shí)別系統(tǒng)。

　　四：語音識(shí)別技術(shù)發(fā)展現(xiàn)狀-國(guó)內(nèi)研究

　　我國(guó)語音識(shí)別研究工作起步于五十年代，但近年來發(fā)展很快。研究水平也從實(shí)驗(yàn)室逐步走向?qū)嵱?。?987年開始執(zhí)行國(guó)家863計(jì)劃后，國(guó)家863智能計(jì)算機(jī)專家組為語音識(shí)別技術(shù)研究專門立項(xiàng)，每?jī)赡隄L動(dòng)一次。我國(guó)語音識(shí)別技術(shù)的研究水平已經(jīng)基本上與國(guó)外同步，在漢語語音識(shí)別技術(shù)上還有自己的特點(diǎn)與優(yōu)勢(shì)，并達(dá)到國(guó)際先進(jìn)水平。中科院自動(dòng)化所、聲學(xué)所、清華大學(xué)、北京大學(xué)、哈爾濱工業(yè)大學(xué)、上海交通大學(xué)、中國(guó)科技大學(xué)、北京郵電大學(xué)、華中科技大學(xué)等科研機(jī)構(gòu)都有實(shí)驗(yàn)室進(jìn)行過語音識(shí)別方面的研究，其中具有代表性的研究單位為清華大學(xué)電子工程系與中科院自動(dòng)化研究所模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室。

　　清華大學(xué)電子工程系語音技術(shù)與專用芯片設(shè)計(jì)課題組，研發(fā)的非特定人漢語數(shù)碼串連續(xù)語音識(shí)別系統(tǒng)的識(shí)別精度，達(dá)到94.8%(不定長(zhǎng)數(shù)字串)和96.8%(定長(zhǎng)數(shù)字串)。在有5%的拒識(shí)率情況下，系統(tǒng)識(shí)別率可以達(dá)到96.9%(不定長(zhǎng)數(shù)字串)和98.7%(定長(zhǎng)數(shù)字串)，這是目前國(guó)際最好的識(shí)別結(jié)果之一，其性能已經(jīng)接近實(shí)用水平。研發(fā)的5000詞郵包校核非特定人連續(xù)語音識(shí)別系統(tǒng)的識(shí)別率達(dá)到98.73%，前三選識(shí)別率達(dá)99.96%;并且可以識(shí)別普通話與四川話兩種語言，達(dá)到實(shí)用要求。

　　中科院自動(dòng)化所及其所屬模式科技(Pattek)公司2002年發(fā)布了他們共同推出的面向不同計(jì)算平臺(tái)和應(yīng)用的“天語”中文語音系列產(chǎn)品——PattekASR，結(jié)束了中文語音識(shí)別產(chǎn)品自1998年以來一直由國(guó)外公司壟斷的歷史。

　　五：語音識(shí)別技術(shù)發(fā)展現(xiàn)狀-當(dāng)前亟待解決的問題

　　語音識(shí)別系統(tǒng)的性能受到許多因素的影響，包括不同說話人的發(fā)音方式、說話方式、環(huán)境噪音、傳輸信道衰落等等。

　　具體要解決的問題有四點(diǎn)：

　　①增強(qiáng)系統(tǒng)的魯棒性，也就是說如果條件狀況變得與訓(xùn)練時(shí)很不相同，系統(tǒng)的性能下降不能是突變的。

　?、谠黾酉到y(tǒng)的適應(yīng)能力，系統(tǒng)要能穩(wěn)定連續(xù)的適應(yīng)條件的變化，因?yàn)檎f話人存在著年齡、性別、口音、語速、語音強(qiáng)度、發(fā)音習(xí)慣等方面的差異。所以，系統(tǒng)應(yīng)該有能力排除掉這些差異。達(dá)到對(duì)語音的穩(wěn)定識(shí)別。

　?、蹖で蟾玫恼Z言模型，系統(tǒng)應(yīng)該在語言模型中得到盡可能多的約束，從而解決由于詞匯量增長(zhǎng)所帶來的影響。

　?、苓M(jìn)行動(dòng)力學(xué)建模，語音識(shí)別系統(tǒng)提前假定片段和單詞是相互獨(dú)立的，但實(shí)際上詞匯和音素的線索要求對(duì)反映了發(fā)聲器官運(yùn)動(dòng)模型特點(diǎn)的整合。所以，應(yīng)該進(jìn)行動(dòng)力學(xué)建模，從而將這些信息整合到語音識(shí)別系統(tǒng)中去。

　　六：語音識(shí)別技術(shù)發(fā)展現(xiàn)狀-語音識(shí)別系統(tǒng)的最新發(fā)展

　　語音識(shí)別技術(shù)發(fā)展到今天，特別是中小詞匯量非特定人語音識(shí)別系統(tǒng)識(shí)別精度已經(jīng)大于98%，對(duì)特定人語音識(shí)別系統(tǒng)的識(shí)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(shí)別系統(tǒng)已經(jīng)完全可以制成專用芯片，大量生產(chǎn)。在西方經(jīng)濟(jì)發(fā)達(dá)國(guó)家，大量的語音識(shí)別產(chǎn)品已經(jīng)進(jìn)入市場(chǎng)和服務(wù)領(lǐng)域。一些用戶交換機(jī)、電話機(jī)、手機(jī)已經(jīng)包含了語音識(shí)別撥號(hào)功能、語音記事本、語音智能玩具等產(chǎn)品，同時(shí)也包括語音識(shí)別與語音合成功能。人們可以通過電話網(wǎng)絡(luò)用語音識(shí)別口語對(duì)話系統(tǒng)查詢有關(guān)的機(jī)票、旅游、銀行信息。調(diào)查統(tǒng)計(jì)表明，多達(dá)85%以上的人對(duì)語音識(shí)別的信息查詢服務(wù)系統(tǒng)的性能表示滿意?？梢灶A(yù)測(cè)，在近5年內(nèi)，語音識(shí)別系統(tǒng)的應(yīng)用將更加廣泛，各種各樣的語音識(shí)別系統(tǒng)產(chǎn)品將不斷出現(xiàn)在市場(chǎng)上。語音識(shí)別技術(shù)在人工郵件分揀中的作用也日益顯現(xiàn)，發(fā)展前景誘人。一些發(fā)達(dá)國(guó)家的郵政部門已經(jīng)使用了這一系統(tǒng)，語音識(shí)別技術(shù)逐漸成為郵件分揀的新技術(shù)。它可以克服手工分揀單純依靠分揀員記憶力的不足，解決人員成本過高的問題，提高郵件處理的效率和效益。就教育領(lǐng)域來講，語音識(shí)別技術(shù)的最直接的應(yīng)用就是幫助用戶更好地練習(xí)語言技巧。

　　語音識(shí)別技術(shù)的另一個(gè)發(fā)展分支就是電話語音識(shí)別技術(shù)的發(fā)展，貝爾實(shí)驗(yàn)室是這方面的先驅(qū)，電話語音識(shí)別技術(shù)將能夠?qū)崿F(xiàn)電話查詢、自動(dòng)接線以及一些專門業(yè)務(wù)如旅游信息等的操作。銀行應(yīng)用了語音理解技術(shù)的聲訊查詢系統(tǒng)后，可不分晝夜地為客戶提供二十四小時(shí)的電話銀行理財(cái)服務(wù)。而證券業(yè)方面，若是采用電話語音識(shí)別聲訊系統(tǒng)的話，用戶想查詢行情便可以直接講出股票名稱或代碼，而系統(tǒng)確認(rèn)用戶的要求后，會(huì)自動(dòng)讀出最新的股票價(jià)，這將大大方便用戶。目前在114查號(hào)臺(tái)還有大量的人工服務(wù)，如果采用語音技術(shù)，就可讓計(jì)算機(jī)自動(dòng)接聽用戶的需要，然后回放查詢的電話號(hào)碼，從而節(jié)約了人力資源。