淺析語音識別技術(shù)的發(fā)展及趨勢

廖 锎武漢理工大學(xué)藝術(shù)設(shè)計學(xué)院工業(yè)設(shè)計系，湖北武漢 430070

語音識別是一門交叉學(xué)科。語音識別研究經(jīng)歷了50多年的研究歷程，經(jīng)過50多年的積累研究，獲得了巨大的進(jìn)展。特別是近20年來，語音識別技術(shù)取得了顯著的進(jìn)步，并逐步的走向市場。在未來的日子里，語音識別技術(shù)將應(yīng)用更為廣泛。本文就語音識別的發(fā)展及趨勢作簡單的闡述。

1 語音技術(shù)的發(fā)展歷史

50年代，研究人員多數(shù)致力于聲學(xué)和語音學(xué)的基本概念。1952年，在AT& T Bell實驗室實現(xiàn)了一個單一發(fā)音人孤立發(fā)音的10個英文數(shù)字的語音識別系統(tǒng)，方法主要是度量每個數(shù)字的元音音段的共振峰。1956年，RCA Lab 開展了另外一項獨(dú)立研究，試圖識別單一發(fā)音的10個不同的音節(jié)，同樣采用了度量共振峰的方法。1959年，英國University College的研究人員開始嘗試另外一種思路，用譜分析和模板匹配方法構(gòu)建音素識別器，用來識別4個元音和9個輔音。60年代，相繼出現(xiàn)并發(fā)表了語音識別的幾個重要的思想。1962年，東京大學(xué)進(jìn)行了另一個音素識別器的硬件實現(xiàn)的嘗試。它使用過零率方法分離語音信號的不同部分，并進(jìn)行識別。1963年，日本NEC Lab對數(shù)字進(jìn)行語音識別的嘗試可以算得上最值得注意的工作，因為它不僅是NEC研究語音識別的開端，還導(dǎo)致一個長期的和卓有成效的研究計劃。在60年代中，3個研究項目的開展對其后20多年的語音識別研究和開發(fā)產(chǎn)生了重大影響。第一個研究項目在RCA Lab開始于60年代后期，目的是研究語音事件在時間刻度上不均勻性的現(xiàn)實解決辦法。在能夠可靠檢測出語音事件的始末點(diǎn)的基礎(chǔ)上，發(fā)展了一套時間歸正的基本方法。

2 語音識別技術(shù)的發(fā)展現(xiàn)狀

語音識別技術(shù)通過全球科學(xué)家的共同努力，經(jīng)歷半個多世紀(jì)的研究，目前已經(jīng)發(fā)展到了接近實用的階段。在實驗室環(huán)境下，大詞匯量的朗讀式連續(xù)說話的寬帶語音信號的平均識別率可以達(dá)到90%以上。正式有了如此高的識別率之后，語音識別技術(shù)慢慢地從實驗室演示系統(tǒng)逐步走向?qū)嵱没唐?。以IBM Via Voice和Dragon Dictation為代表的兩個聽寫機(jī)系統(tǒng)的出現(xiàn)，使“語音識別”逐步進(jìn)入大眾視線，引起了廣泛的社會關(guān)注。

由于校對和更正識別的錯誤很麻煩和浪費(fèi)時間，這樣便降低語音識別的優(yōu)勢。同時，由于使用的環(huán)境或講話口音習(xí)慣等因素的影響，語音識別的內(nèi)容大大降低，識別的內(nèi)容不能達(dá)到100%的正確，所以很多人認(rèn)為目前的語音識別系統(tǒng)還無法滿足實用要求。

目前，AT&T和MIT等將語音識別技術(shù)應(yīng)用在一些有限詞匯的特定任務(wù)上，如電話自動轉(zhuǎn)接、電話查詢、數(shù)字串識別的任務(wù)中，當(dāng)講話的內(nèi)容是系統(tǒng)所存儲的內(nèi)容存在的，且使用環(huán)境的聲學(xué)特性與訓(xùn)練數(shù)據(jù)的聲學(xué)特性相差不太大時，語音識別的正確識別率可以接近100%。但是，在實際使用中如果這些條件被破壞，則會對識別系統(tǒng)造成一定的影響。

3 語音識別技術(shù)發(fā)展趨勢

雖然語音識別在過去的20年里有了很大的發(fā)展，但是，仍然存在很多的不足，有待于進(jìn)一步的探索，具體可分為以下幾個方面：

1）提高可靠性。語音識別技術(shù)需要能排除各種聲學(xué)環(huán)境因素的影響。在比較嘈雜的公共環(huán)境中，人的意識會有意識的排除非需要的聲學(xué)環(huán)境因素，這對語音識別系統(tǒng)而言，是很難做到的。另外，在日常生活中，人類的語言常常具有較大的不確定性，比較隨意，并帶有明顯的言語習(xí)慣。這同樣會給語音識別系統(tǒng)很大的識別麻煩。目前，在提高語音系統(tǒng)在不同環(huán)境中的可靠性，同時要應(yīng)用現(xiàn)代技術(shù)讓語音識別系統(tǒng)更加智能化，掌握人們語言隨意性的部分規(guī)律，以達(dá)到最佳的識別效果。

2）增加詞匯量。系統(tǒng)可以識別的詞匯的數(shù)量是系統(tǒng)能夠做什么事情的一個重要度量。一個語音識別系統(tǒng)使用的聲學(xué)模型和語音模型如果太過于局限，當(dāng)用戶所講的詞匯超出系統(tǒng)已知的范圍時，則語音識別系統(tǒng)不能準(zhǔn)確的識別出相應(yīng)的內(nèi)容，比如，當(dāng)突然從中文轉(zhuǎn)為英文、法文、俄文時，計算機(jī)就會常常輸出混亂奇怪的結(jié)果。但是，隨著系統(tǒng)建模方法的不斷改進(jìn)、搜索算法效率的提高以及硬件資源的發(fā)展，未來的語音識別系統(tǒng)可能會做到詞匯量無限制和多種語言混合，這樣用戶在使用的時候可以不必在語種之間來回切換，這樣就能大大減少詞匯量的對語音識別系統(tǒng)的限制。

3）應(yīng)用拓展。語音識別技術(shù)可以用于把費(fèi)腦、費(fèi)力、費(fèi)時的機(jī)器操作變成一件很容易很有趣味性的事，比如，當(dāng)人們出現(xiàn)手忙、手不能及以及分身無術(shù)的場景時，通過語音識別系統(tǒng)的模型構(gòu)造，則能夠在象駕駛室、危險的工業(yè)場合、遠(yuǎn)距離信息獲取、家電控制等各個方面，語音識別技術(shù)可能帶動一系列嶄新或更便捷功能的設(shè)備出現(xiàn)，更加方便人的工作和生活。其應(yīng)用的范圍和前景非常廣泛。不僅能夠應(yīng)用于日常生活，更重要的會帶來生產(chǎn)方式的革命，是下一代智能化控制的基礎(chǔ)。

4）降低成本減小體積。微型化是語音識別技術(shù)商業(yè)應(yīng)用的另一個重要途徑，其推廣程這取決于語音識別技術(shù)本身進(jìn)步的程度，同時與微電子芯片技術(shù)的進(jìn)一步發(fā)展關(guān)系密切。將具有先進(jìn)功能和性能的語音識別應(yīng)用系統(tǒng)固化到更加微小的芯片或模塊上，可以大幅度降低產(chǎn)品成本和體積，產(chǎn)品必然受到消費(fèi)者的青睞，語音識別系統(tǒng)和微電子芯片技術(shù)的發(fā)展是會引領(lǐng)我們的信息技術(shù)革命到一個新的臺階。

21世紀(jì)是信息和網(wǎng)絡(luò)的時代，Internet和移動通信、固話通信的網(wǎng)絡(luò)把全球各地連接起來。自然口語對話、電子商務(wù)、信息索取、數(shù)字圖書館、語音翻譯、遠(yuǎn)程教育等一系列的人類活動都可在網(wǎng)絡(luò)上實現(xiàn)。語音識別系統(tǒng)的出現(xiàn)，會讓人更加自由的溝通，讓人在任何地方，任何時間，對任何事都能夠通過語音交互的方式，方便地享受到更多的社會信息資源和現(xiàn)代化服務(wù)。這必然會成為語音識別技術(shù)研究和應(yīng)用的重要發(fā)展趨勢。

[1]楊尚國，楊金龍.語音識別技術(shù)概述[J].福建電腦，2006(8).

[2]孫寧，孫勁光，孫宇.基于神經(jīng)網(wǎng)絡(luò)的語音識別技術(shù)研究[J].計算機(jī)與數(shù)字工程，2006.