基于人機(jī)互動(dòng)的語音識(shí)別技術(shù)綜述

江蘇旅游職業(yè)學(xué)院

江蘇大學(xué)電氣信息工程學(xué)院 李雪林

1 引言

語言是人類進(jìn)行交往最基礎(chǔ)的一種方式。伴隨AI人工智能的突飛猛進(jìn)，計(jì)算機(jī)已經(jīng)能夠具備與人進(jìn)行言語溝通的能力，語音識(shí)別技術(shù)成為實(shí)現(xiàn)人機(jī)交往的核心技術(shù)。自動(dòng)語音識(shí)別技術(shù)，本質(zhì)就是利用計(jì)算機(jī)將語音信號(hào)自動(dòng)轉(zhuǎn)換為文本的一項(xiàng)技術(shù)。

語音識(shí)別是涉及多種類交叉學(xué)科的高新技術(shù)，應(yīng)用到發(fā)聲機(jī)理和聽覺機(jī)理、人工智能、信號(hào)處理、模式識(shí)別、概率論和信息論等等。其應(yīng)用領(lǐng)域廣泛，在現(xiàn)代自動(dòng)化解耦控制系統(tǒng)和第三產(chǎn)業(yè)都應(yīng)用到語音識(shí)別系統(tǒng)，在信息化發(fā)展的大潮中，語音識(shí)別技術(shù)越來越凸顯出重要作用。

2.語音識(shí)別技術(shù)的發(fā)展歷史

語音識(shí)別技術(shù)的發(fā)展歷史可以追溯到1952年，在美國(guó)的貝爾實(shí)驗(yàn)室，戴維斯等科研人員首創(chuàng)了能對(duì)10個(gè)英文字母發(fā)音的識(shí)別系統(tǒng)。英國(guó)科學(xué)家丹尼斯等人研制了基于計(jì)算機(jī)運(yùn)用的語音識(shí)別系統(tǒng)。上世紀(jì)70年代以后由于電腦的普及，語音識(shí)別研究突飛猛進(jìn)，并取得了在短語、單詞的識(shí)別方面實(shí)質(zhì)性的重大突破。到了1980年以后，多詞匯、連續(xù)語句、非指定人連續(xù)語音的識(shí)別成為語音識(shí)別研究的重點(diǎn)領(lǐng)域。并且，語音識(shí)別技術(shù)在研究發(fā)展方向上也發(fā)生了重要轉(zhuǎn)向，由匹配模式研究方向開始轉(zhuǎn)為統(tǒng)計(jì)模型的研究方向。

上世紀(jì)末，語音識(shí)別系統(tǒng)在研究的宏觀方面并沒有什么實(shí)質(zhì)性進(jìn)展。不過，基于語音識(shí)別技術(shù)的而發(fā)明的產(chǎn)品已經(jīng)開始應(yīng)用。

語音識(shí)別系統(tǒng)技術(shù)研究在我國(guó)發(fā)展起始于1958年，中國(guó)科學(xué)院聲學(xué)所利用電子管電路制造出能夠識(shí)別10個(gè)元音的語音識(shí)別系統(tǒng)。中國(guó)科學(xué)院聲學(xué)所在1973年正式開始基于計(jì)算機(jī)技術(shù)進(jìn)行語音識(shí)別研究。上世紀(jì)改革開放以來，計(jì)算機(jī)應(yīng)用技術(shù)和應(yīng)用電子技術(shù)在我國(guó)不斷發(fā)展，國(guó)內(nèi)許多科研院所都開始了語音技術(shù)的研究。我國(guó)對(duì)語音識(shí)別技術(shù)高度重視，在1986年把語音識(shí)別作為“863”計(jì)劃列為研究課題。并且以此為契機(jī)，每隔兩年召開一次關(guān)于語音識(shí)別技術(shù)系統(tǒng)方面的專題國(guó)際交流會(huì)議。由此標(biāo)志著，我國(guó)科研機(jī)構(gòu)關(guān)于語音識(shí)別技術(shù)的研究進(jìn)入了一個(gè)嶄新的發(fā)展階段。

3.語音識(shí)別系統(tǒng)的結(jié)構(gòu)

語音識(shí)別系統(tǒng)主要組成包括語音信號(hào)采樣模塊、語音信號(hào)前期處理模塊、語音信號(hào)特征參數(shù)提取模塊、語音信號(hào)識(shí)別核心模塊、語音信號(hào)識(shí)別后期處理模塊。

模式識(shí)別匹配是語音識(shí)別的主要過程。首先對(duì)人的語音進(jìn)行分析，提取特點(diǎn)建立針對(duì)性的語音模型，通過語音模型建立語音識(shí)別所需的模式。利用語音識(shí)別的整體模型，在語音識(shí)別過程中將得到的語音信號(hào)的特征與前期建立的語音模式進(jìn)行匹配比較，通過預(yù)設(shè)的搜索策略和匹配策略，可以得出最好的且與輸入的語音信號(hào)相匹配的模式。最后，根據(jù)定義，通過一系列查表就可以輕松得出計(jì)算機(jī)輸出的識(shí)別結(jié)果。

4.語音識(shí)別系統(tǒng)的類別

語音識(shí)別的目標(biāo)決定了語音識(shí)別系統(tǒng)的類別，語音識(shí)別系統(tǒng)的類別主要分為三大類，孤立詞檢索（isolated word recognition)，關(guān)鍵詞檢索（keyword spotting)和連續(xù)單詞檢索。

孤立詞檢索的方式是將知道的孤立的單詞檢索識(shí)別出來，如“人機(jī)”、“智能”等；關(guān)鍵詞檢索的目標(biāo)是連續(xù)語音，但它并不識(shí)別所有的文字，只是檢測(cè)已知的關(guān)鍵詞有沒有出現(xiàn)和在哪里出現(xiàn)，例如在一段語句中檢索“電腦”、“應(yīng)用”這兩個(gè)詞；連續(xù)單詞檢索的目標(biāo)則是檢索任意的連續(xù)的語音，檢索整個(gè)句子或一大段話。

5.語音識(shí)別技術(shù)類型

目前應(yīng)用最多的語音識(shí)別技術(shù)類型主要包括幾種：

5.1 動(dòng)態(tài)時(shí)間規(guī)整算法（DynamicTime Warping，DTW），在一定的時(shí)間序列中，目標(biāo)要比較和檢索的兩段相似性的時(shí)間序列，由于隨機(jī)性它們的長(zhǎng)度不可能完全相等，表現(xiàn)在語音識(shí)別領(lǐng)域則是不同人的說的同一段語音但語速不同。并且可能相同的單詞發(fā)音速度也會(huì)出現(xiàn)差別，比如有的人會(huì)把“A”這個(gè)音發(fā)音很短，有的人而把“B”發(fā)音很長(zhǎng)。面對(duì)這些隨機(jī)的復(fù)雜情況下，以往的歐幾里得距離方法已經(jīng)無法有效地算出兩個(gè)隨機(jī)時(shí)間序列之間的距離（即相似性），這時(shí)候利用DTW方法可以把時(shí)間序列根據(jù)需要進(jìn)行動(dòng)態(tài)的延伸或者縮短，這樣就可以對(duì)兩個(gè)時(shí)間序列性之間的相似性進(jìn)行分析比較計(jì)算。

5.2 隱馬爾可夫模型（HMM），通過觀測(cè)向量序列可以間接的觀察到HMM的狀態(tài)，HMM的狀態(tài)是由觀測(cè)向量的概率密度分布決定的，任意一個(gè)觀測(cè)向量對(duì)應(yīng)著一個(gè)特定的概率密度分布所代表的狀態(tài)序列。HMM模式庫是反復(fù)訓(xùn)練樣本形成的。HMM模型參數(shù)是由訓(xùn)練輸出的吻合概率最大的信號(hào)建立，并非已經(jīng)儲(chǔ)存好的模型參數(shù)，在語音識(shí)別識(shí)別過程中將需要識(shí)別的語音序列與HMM模型參數(shù)之間進(jìn)行分析計(jì)算，將相似概率比較后得到的最大值所對(duì)應(yīng)的狀態(tài)序列作為最佳語音識(shí)別然后輸出，因此HMM是一種優(yōu)秀可靠的算法。

5.3 矢量量化算法（VectorQuantization），矢量是由標(biāo)量數(shù)據(jù)組構(gòu)成的，通過整體量化，在不損失太多信息的前提下大幅度壓縮數(shù)據(jù)。矢量量化應(yīng)用在孤立詞檢索、短句的語音識(shí)別中。方法是將提取的特征參數(shù)或語音信號(hào)波形作為標(biāo)量數(shù)據(jù)組成一個(gè)矢量然后進(jìn)行整體量化。把矢量空間分割成一些小區(qū)域，每個(gè)小區(qū)域由一個(gè)矢量代表，量化時(shí)分到小區(qū)域的矢量就用這個(gè)指定矢量代替?？蒲腥藛T還發(fā)明了其他降低復(fù)雜度的方法，包括無記憶的、有記憶的、模糊的矢量量化方法。

5.4 人工神經(jīng)網(wǎng)絡(luò)（ANN）是一種比較新的語音識(shí)別方法。人工神經(jīng)網(wǎng)絡(luò)是由大量處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)，ANN的特點(diǎn)是輸入—輸出映射能力和分類能力強(qiáng)大，非常適合在語音識(shí)別中應(yīng)用。通過對(duì)人腦思維機(jī)制模仿，具有強(qiáng)大的分類決策能力和對(duì)不確定信息的描述能力。

5.5 支持向量機(jī)（Supportvector machine），結(jié)構(gòu)風(fēng)險(xiǎn)最小原理和VC維理論是其理論基礎(chǔ)，在有限的樣本信息在復(fù)雜性和學(xué)習(xí)能力之間尋優(yōu)，從而達(dá)到最好的尋優(yōu)能力，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)。在非線性及高維模式、小樣本識(shí)別領(lǐng)域展現(xiàn)了高超的技能，現(xiàn)已大規(guī)模的應(yīng)用到模式識(shí)別系統(tǒng)領(lǐng)域。

6.小結(jié)

移動(dòng)互聯(lián)技術(shù)的日新月異，人工智能的飛速發(fā)展，基于人機(jī)互動(dòng)的語音識(shí)別技術(shù)成為人機(jī)交互的重要手段之一。語音識(shí)別算法模型不斷改進(jìn)、AI技術(shù)不斷的加強(qiáng)，在不久的未來，基于人機(jī)互動(dòng)的語音識(shí)別技術(shù)將成為人類生活不可或缺的組成部分。