語音識別技術(shù)在地學(xué)領(lǐng)域的應(yīng)用

[摘要]語音識別是通過計算機將語音自動轉(zhuǎn)換成文字的技術(shù)，是一種以語音為基礎(chǔ)的人與機器之間的交互方法，在生產(chǎn)生活方面都有廣泛的應(yīng)用。語音識別的工作流程主要包括特征提取—識別建模及模型訓(xùn)練—解碼得到結(jié)果。隨著移動終端設(shè)備的智能化和硬件性能的飛速發(fā)展，傳感器種類不斷豐富，研究并加以利用這些最新的軟件環(huán)境和硬件設(shè)備，使得野外數(shù)據(jù)采集更為高效準(zhǔn)確是數(shù)字勘查技術(shù)的發(fā)展趨勢。采用基于語音識別的、方便快速又智能的方法來提高技術(shù)人員野外數(shù)據(jù)采集的效率，對于革新傳統(tǒng)意義上的野外數(shù)據(jù)采集具有重要意義。

[關(guān)鍵詞]語音識別；聲學(xué)模型；神經(jīng)網(wǎng)絡(luò)；數(shù)據(jù)采集

[資助項目]中國核工業(yè)地質(zhì)局基礎(chǔ)項目《鈾礦勘查大數(shù)據(jù)匯聚與挖掘利用》（202104）。

語音識別（ASR）是通過計算機將語音自動轉(zhuǎn)換成文字的技術(shù)[1]，與語言理解、語言生成和語音合成等技術(shù)密不可分，是一種以語音為基礎(chǔ)的人與機器之間的交互方法[2]。語音識別技術(shù)的形成與發(fā)展涉及眾多學(xué)科，包括語言學(xué)、語音學(xué)、聲學(xué)、神經(jīng)生物學(xué)、模式識別理論、信息理論等。語音識別技術(shù)的3個關(guān)鍵要素為數(shù)據(jù)、算法和芯片，大量優(yōu)質(zhì)的數(shù)據(jù)、精準(zhǔn)快速的算法及高性能語音識別芯片是提升識別效果的核心[3]。

1.應(yīng)用場景

目前語音識別在智能家居、智能車載、智能客服機器人等領(lǐng)域有廣泛的應(yīng)用，未來將會深入到學(xué)習(xí)、生活、工作的各個環(huán)節(jié)。國內(nèi)外許多公司都在傾力研究此技術(shù)，并不斷推出實際產(chǎn)品，比如科大訊飛的翻譯器譯唄，百度的智能行車助手CoDriver，科大訊飛與奇瑞推出的飛魚汽車助理，搜狗與四維圖新推出的飛歌導(dǎo)航，云知聲、思必馳推出的智能語控車載產(chǎn)品等，在同聲互譯、行車導(dǎo)航、語音操控等方面取得了不錯的應(yīng)用效果。

2.語音識別的原理

語音識別的主要工作流程包括特征提取—識別建模及模型訓(xùn)練—解碼得到結(jié)果。

2.1特征提取

2.1.1采樣

聲音實際上是一種波，我們通過聲波采樣形成非壓縮的純波形文件，常用的.wav音頻文件就是一種非壓縮的波形文件。人類語音的頻率范圍位于16kHz以內(nèi)，每秒16000個采樣的采樣頻率足以覆蓋。如果將一段語音每秒采樣16000次，把聲波在每秒鐘1/16000處的振幅用數(shù)字進行表示，則會形成一個數(shù)列。將這些數(shù)字繪制為簡單的折線圖，我們就得到了原始聲波的形狀（圖1）[4]。

2.1.2分幀

分幀就是把聲波按等間距切割成小段，每小段稱為一幀。分幀后，聲波就變成了小段的波形（圖2）[4]。

2.1.3特征提取

波形在時域上的描述能力極為有限，需要將波形進行轉(zhuǎn)換。目前常用的轉(zhuǎn)換方法是梅爾頻率倒譜系數(shù)算法（MFCC）[13]，其原理是依照人耳生理特性，把每段波形轉(zhuǎn)換成一個多維向量，而這個向量就是語音信息的具象化表達(dá)。該過程被稱為聲學(xué)特征提取。

聲波由不同頻率的低、中、高音組合在一起，需要通過傅里葉變換（FourierTransform）將聲波從低音到高音分解成一個個頻段，然后將每個頻段中的能量（與振幅的平方成正比）相加，最終得到的結(jié)果便是從低音到高音每個頻段的重要程度（色塊的顏色深淺表示重要程度）（圖3）[4]，從而為本幀創(chuàng)建了一個“指紋”。

對聲音的每幀（每20ms）重復(fù)這個過程，將會得到一個頻譜（圖4），每一列從左到右都是一個20毫秒的切片，這是能夠輸入到神經(jīng)網(wǎng)絡(luò)中去的數(shù)據(jù)呈現(xiàn)方式（圖5）[4]。就神經(jīng)網(wǎng)絡(luò)的工作方式而言，從頻譜中尋找規(guī)律要比從原始聲波中尋找規(guī)律容易得多。

2.2識別建模及模型訓(xùn)練

2.2.1識別單元

（1）音素：人類每個詞匯的發(fā)音都由音素組成，在語言學(xué)上不同語種的音素劃分方式是不同的，例如，英語主要采用一種由39個音素組成的音素集，而漢語的音素集則由聲母和韻母組成。在進行語音識別時，音素區(qū)分的方式基本相同，一般使用能夠兼顧前后各一個音素的三音子作為建模單元。

（2）狀態(tài)：三音子作為建模單元還可以被分解為更細(xì)的粒度，稱之為“狀態(tài)”。一般情況下，一個三音子對應(yīng)三個狀態(tài)。在識別過程中，計算機首先將幀識別為狀態(tài)，然后把狀態(tài)組合為音素，再把音素拼接成單詞。如圖6所示，圖中每一豎條為一幀，數(shù)幀對應(yīng)一個狀態(tài)；相鄰三個狀態(tài)構(gòu)成一個音素；數(shù)個音素拼接成一個單詞[4]。

2.2.2識別建模

語音識別是由計算機尋找、比對與音頻匹配度最高的文字，進而將音頻序列轉(zhuǎn)換為文字序列的過程。其匹配度可以用概率來表示，可分為3個部分：轉(zhuǎn)移概率（狀態(tài)之間跳轉(zhuǎn)的概率）、觀測概率（幀和狀態(tài)之間匹配的概率）、語言概率（符合詞匯組合規(guī)律的概率）。識別建模主要包括聲學(xué)模型、語言模型，聲學(xué)模型負(fù)責(zé)計算音頻與音素的對應(yīng)概率（轉(zhuǎn)移概率和觀測概率），語言模型負(fù)責(zé)計算音素與文字的對應(yīng)概率（語言概率）。

（1）聲學(xué)模型

在聲學(xué)模型中通常使用隱馬爾科夫模型（HMM）來獲取轉(zhuǎn)移概率，通過高斯混合模型（GMM）獲取觀測概率。隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，深度神經(jīng)網(wǎng)絡(luò)（DNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）等機器學(xué)習(xí)模型在觀測概率的建模中也得到了廣泛應(yīng)用[3]。

A.高斯混合模型（GMM）

GMM-HMM混合模型是語音識別系統(tǒng)中典型的并且截止到現(xiàn)在仍被廣泛使用的模型[6]，利用HMM對語音單元（如音素）的演化進行建模，利用GMM來表示聲學(xué)輸入與語音單元之間的關(guān)系[12]。GMM是一種輕量化、淺層次的學(xué)習(xí)模型[7]，其優(yōu)點是參數(shù)量小，訓(xùn)練的收斂速度快，更加符合終端設(shè)備的應(yīng)用場景；缺點是建模能力有限，在語境信息的利用上存在瓶頸。

B.深度神經(jīng)網(wǎng)絡(luò)（DNN）

DNN是比較典型的深層學(xué)習(xí)結(jié)構(gòu)，也是最早用于聲學(xué)建模的神經(jīng)網(wǎng)絡(luò)[7]。在數(shù)據(jù)表示上，DNNHMM混合模型比GMM-HMM混合模型更加高效，使得語音識別率有了大幅提升。DNN-HMM混合模型以其高識別率和相對較低的訓(xùn)練成本，成為一些特定語音識別場景中常用的聲學(xué)建模方式。DNN模型對輸入的特征長度有一定要求，受該條件約束DNN需要采用固定長度的滑動窗來提取特征。

C.循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）

RNN在語音序列建模過程中，具備記憶和向前追溯的能力，使其在進行狀態(tài)分析和音素組合時能夠最大限度地利用音頻的上下文信息（語境信息），其識別結(jié)果具有更高的準(zhǔn)確性和可靠性。RNN模型使用的神經(jīng)網(wǎng)絡(luò)層數(shù)更深、更為復(fù)雜，運行時向前追溯和計算的過程會增加額外的時間成本，這也是RNN模型在語音識別實時率要求較高的場景下應(yīng)用受限的主要原因[9]。

D.卷積神經(jīng)網(wǎng)絡(luò)（CNN）

CNN可以通過使用相對較小的卷積核、建立更深的神經(jīng)網(wǎng)絡(luò)層，對頻譜圖中頻率軸和時間軸上的信息同時進行卷積，進而實現(xiàn)對可變長度語境信息的利用。面對不同的語速環(huán)境，CNN、RNN相比于DNN表現(xiàn)出更強的適應(yīng)性和穩(wěn)定性，從而取得了更好的識別效果。CNN作為DNN的延伸越來越得到廣泛的應(yīng)用，但是CNN需要進行大量的參數(shù)訓(xùn)練，需要投入的人力物力等訓(xùn)練成本更高[8]。

各個聲學(xué)模型都有其優(yōu)勢和局限性（表1），分別適用于不同的應(yīng)用場景。但是在實際應(yīng)用過程中，其語音識別的環(huán)境往往更加復(fù)雜，單一模型難以解決多方面的應(yīng)用需求，而混合模型能夠發(fā)揮各個模型的優(yōu)勢。目前，混合模型已成為聲學(xué)模型建模的一種常用解決方案。

（2）語言模型

語言模型對語音識別的準(zhǔn)確性至關(guān)重要，在無語言模型約束的情況下，僅由聲學(xué)模型得到的識別結(jié)果是一種基于單詞匯最大概率的無序組合，不符合詞組的正常使用習(xí)慣。語言模型是通過對日常使用的詞組（文本）進行大量訓(xùn)練，使機器逐漸掌握詞組的使用規(guī)則和規(guī)律，進而作為一種約束條件對聲學(xué)模型的識別結(jié)果進行校正，得到最佳的詞組序列組合。在語音識別和搜索引擎中，常用N-Gram模型作為語言模型。隨著神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，RNN、CNN等建模方法也逐漸應(yīng)用于語言模型的建立。

（3）模型訓(xùn)練

如前所述，聲學(xué)模型是由大量參數(shù)組成的，這些參數(shù)的產(chǎn)生是通過對大量語音數(shù)據(jù)進行識別“訓(xùn)練”和修正后得到的結(jié)果。近年來，神經(jīng)網(wǎng)絡(luò)在模型訓(xùn)練中得到了廣泛應(yīng)用。神經(jīng)網(wǎng)絡(luò)是一種層疊式結(jié)構(gòu)，可分為輸入層、隱層、輸出層等三層，每層均由“神經(jīng)元”組成。輸入層的神經(jīng)元為所提取的語音信號特征，隱層的神經(jīng)元通過樣本訓(xùn)練構(gòu)建，輸出層的神經(jīng)元為語音識別詞匯。進行模型訓(xùn)練時，首先提取詞匯的語音特征作為輸入，并對詞匯進行編號作為目標(biāo)輸出；再通過隱層的概率計算和匹配，得到輸出層的結(jié)果；然后求取實際輸出和目標(biāo)輸出的誤差，如果二者誤差高于設(shè)定的閾值，需要對神經(jīng)元間的鏈接權(quán)值進行修正并繼續(xù)訓(xùn)練，直至誤差低于所設(shè)閾值時停止訓(xùn)練，保存隱層神經(jīng)元的訓(xùn)練參數(shù)及各神經(jīng)元間的鏈接權(quán)值（圖7）[10]。

2.3解碼

解碼是將輸入聲學(xué)模型中的語音幀序列與語言模型中的詞組進行匹配的過程，需要建立聲音信號與文本結(jié)果間的匹配關(guān)系。通常是把聲學(xué)模型、語言模型、詞典展布在一個網(wǎng)絡(luò)中，通過維特比（Viterbi）算法（一種動態(tài)規(guī)劃剪枝算法）來尋找全局最優(yōu)路徑，以最大后驗概率從這個網(wǎng)絡(luò)空間選擇一條或多條最優(yōu)路徑作為識別結(jié)果（最優(yōu)的輸出字符序列）[3]。

3.在地學(xué)領(lǐng)域的應(yīng)用

3.1應(yīng)用趨勢

隨著移動終端設(shè)備的智能化和硬件性能的飛速發(fā)展，傳感器種類不斷豐富，研究并加以利用這些最新的軟件環(huán)境和硬件設(shè)備，使得野外數(shù)據(jù)采集更為高效準(zhǔn)確是數(shù)字勘查技術(shù)的發(fā)展趨勢。近年來，語音識別技術(shù)正逐步應(yīng)用于地學(xué)領(lǐng)域，如中國地質(zhì)調(diào)查局的野外數(shù)據(jù)采集系統(tǒng)（DGSS）、中國核工業(yè)地質(zhì)局的鉆孔數(shù)據(jù)采集系統(tǒng)（QuantyU_PAD），均引進了語音識別技術(shù)，用于野外數(shù)據(jù)采集時快速錄入數(shù)據(jù)。

語音識別的應(yīng)用打破了紙質(zhì)書寫緩慢、鍵盤輸入不便的困境，提高了野外工作信息的采集效率，改善了便攜式采集設(shè)備的用戶體驗。采用基于語音識別的、方便快速又智能的方法來提高技術(shù)人員野外數(shù)據(jù)采集的效率，對于革新傳統(tǒng)意義上的野外數(shù)據(jù)采集具有重要意義。

3.2現(xiàn)階段存在的問題及下一步的解決方案

3.2.1專業(yè)術(shù)語的識別率低

語音識別建立在龐大的數(shù)據(jù)量基礎(chǔ)上，其整體識別率很高，在理想實驗中正確率可達(dá)到98%以上[11]，已能滿足大多數(shù)用戶的日常需求。但這種高識別率是由日常使用的高頻詞匯拉升起來的，專業(yè)術(shù)語所占詞匯量的比例要遠(yuǎn)遠(yuǎn)低于常用詞匯，實際應(yīng)用顯示，語音識別在地學(xué)領(lǐng)域的術(shù)語識別率尚未達(dá)到理想效果。從識別建模及模型訓(xùn)練的原理中我們可以看出，識別結(jié)果本質(zhì)上是一個概率結(jié)果，取決于詞匯在龐大參考數(shù)據(jù)內(nèi)出現(xiàn)的頻率，那么對于占比不高的專業(yè)術(shù)語，其識別率就不易提高。另外，由于應(yīng)用場景的不同，相同的發(fā)音在不同領(lǐng)域?qū)?yīng)的理想輸出結(jié)果應(yīng)是不同的，以漢語發(fā)音的“chángshí”為例，在教育領(lǐng)域、文學(xué)領(lǐng)域，其對應(yīng)的理想輸出結(jié)果是“常識”；而在地學(xué)領(lǐng)域，其對應(yīng)的理想輸出結(jié)果應(yīng)為“長石”。再如漢語發(fā)音“cìyuán”，在數(shù)學(xué)領(lǐng)域、物理學(xué)領(lǐng)域，其對應(yīng)的理想輸出結(jié)果是“次元”；而在地學(xué)領(lǐng)域，其對應(yīng)的理想輸出結(jié)果應(yīng)為“次圓”。

目前，在移動設(shè)備上語音識別分為在線、離線兩種模式：在線模式與云端數(shù)據(jù)相連，聲學(xué)模型、語言模型較為完備，識別結(jié)果相對精確，經(jīng)鉆孔編錄實際應(yīng)用測試，準(zhǔn)確率可達(dá)87%左右，基本已能滿足生產(chǎn)工作需求，但對專業(yè)術(shù)語的識別仍未達(dá)到理想效果，需要用戶再次介入修改；離線模式啟用離線語音包，容量小，基于有限的聲學(xué)模型、語言模型，識別速度、輸出結(jié)果不盡如人意，應(yīng)用測試的準(zhǔn)確率僅有70%，甚至更低，在地學(xué)領(lǐng)域離投入生產(chǎn)應(yīng)用還有很大的差距。

讓機器根據(jù)語義去判斷使用者所處的專業(yè)領(lǐng)域，反饋理想的術(shù)語識別結(jié)果，需要人工智能與大數(shù)據(jù)的高度融合，是未來的發(fā)展趨勢，需要建立更為龐大、更為復(fù)雜的識別模型，其實現(xiàn)周期很長。面向不同領(lǐng)域建立專屬的語言模型、詞典庫，配合機器學(xué)習(xí)與模型訓(xùn)練，將識別結(jié)果限制在一個可控的范圍內(nèi)，是提高專業(yè)術(shù)語識別準(zhǔn)確率最直接的途徑。另一方面，由于野外施工環(huán)境的復(fù)雜多變，在沒有網(wǎng)絡(luò)信號接入的情況下，移動設(shè)備只能啟用離線模式，那么硬件的儲存空間和運算速度將會成為限制離線識別率的瓶頸，研發(fā)大容量、高性能、低價位的芯片是提高離線識別率、普及便攜式采集設(shè)備的突破口。

3.2.2缺乏有效的降噪手段

地質(zhì)行業(yè)大多處于露天工作環(huán)境，大風(fēng)天氣或現(xiàn)場施工產(chǎn)生的噪音會不同程度地影響識別效果。傳統(tǒng)降噪是基于統(tǒng)計意義上面的一個處理，難以做到瞬時噪聲的精準(zhǔn)估計，這個本身就是一個近似的、粗略模糊化的處理，即不可避免的對噪聲欠估計或者過估計，本身難把握。強噪聲環(huán)境中系統(tǒng)無法正確判別干擾雜音與用戶聲源的情況下，將會把用戶聲音中的一部分或大部分一同當(dāng)作噪聲過濾掉而不進行判別，這就導(dǎo)致了識別系統(tǒng)呆滯或識別效果不佳。只有用戶不斷提高音量，才有可能得到識別結(jié)果，嚴(yán)重影響了用戶體驗。

現(xiàn)階段，系統(tǒng)算法能夠起到的作用是有限的，要想進一步改善降噪效果，還需要從硬件上著手。波束賦形技術(shù)是目前使用相對廣泛的降噪技術(shù)，與傳統(tǒng)降噪不同，波束賦形更加強調(diào)聲源。通過建立指向軸并轉(zhuǎn)向聲源的方向，利用多個麥克風(fēng)的相位差，降低聲源方向以外的噪聲。配合噪聲抑制功能，可以進一步降低殘留在指向軸上的固定噪音[14]。該技術(shù)支持在窄間距范圍內(nèi)安裝2個麥克風(fēng)甚至多個麥克風(fēng)組成的陣列，可以應(yīng)用于筆記本電腦、平板電腦、手機、錄音筆等便攜式設(shè)備上，是一種硬件與算法相結(jié)合的降噪方式。

4.結(jié)論

語音識別正逐步成為信息技術(shù)中人機接口的關(guān)鍵技術(shù)[5]，它使得人們能夠甩掉鍵盤，通過語音命令進行操作。語音識別技術(shù)在地學(xué)領(lǐng)域得到了一定程度的應(yīng)用，但也發(fā)現(xiàn)了一些切實存在的問題。由于工作環(huán)境和識別需求的特殊性，造成地質(zhì)生產(chǎn)應(yīng)用過程中語音識別的準(zhǔn)確度尚未達(dá)到理想效果。今后需根據(jù)地質(zhì)工作的實際需求，建立具有針對性的識別模型，充分運用人工智能、機器學(xué)習(xí)及云計算和芯片的新技術(shù)，實現(xiàn)人工智能模型的遷移學(xué)習(xí)，節(jié)省成本，提高效率，全面提升語音識別的速度與精度。

[參考文獻]

[1]何湘智.語音識別的研究與發(fā)展[J].計算機與現(xiàn)代化，2002（3）：3-6.

[2]楊勝捷，朱灝耘，馮天祥，等.基于Kaldi的語音識別算法[J].電腦知識與技術(shù)，2019，15（2）：163-166.

[3]李萬鴻.論語音識別三大關(guān)鍵技術(shù)[EB/OL].

[4]郭少悲.語音識別技術(shù)基礎(chǔ)理解[EB/OL].

[5]淺談?wù)Z音識別技術(shù)的發(fā)展趨勢與應(yīng)用前景[EB/OL].

[6]楊洋，汪毓鐸.基于改進卷積神經(jīng)網(wǎng)絡(luò)算法的語音識別[J].應(yīng)用聲學(xué)，2017，37（6）：940-946.

[7]侯一民，李永平.基于卷積神經(jīng)網(wǎng)絡(luò)的孤立詞語音識別[J].計算機工程與設(shè)計，2019，40（6）：1751-1756.

[8]楊鶴標(biāo)，龔文彥.基于卷積神經(jīng)網(wǎng)絡(luò)的反向傳播算法改進[J].計算機工程與設(shè)計，2019，40（1）：126-130.

[9]張舸，張鵬遠(yuǎn)，潘接林，等.基于異構(gòu)計算的語音識別解碼加速方法[J].網(wǎng)絡(luò)新媒體技術(shù)，2019，8（3）：34-38.

[10]冀瑞國.神經(jīng)網(wǎng)絡(luò)在語音識別中的應(yīng)用[J].電子技術(shù)與軟件工程，2019，249.

[11]周玨嘉，相非，崔寶秋，等.AI下的智能語音開放創(chuàng)新平臺[J].信息技術(shù)與標(biāo)準(zhǔn)化，2019，1-2：21-23.

[12]楊鴻武，周剛.基于改進混合CTC/attention架構(gòu)的端到端普通話語音識別[J].西北師范大學(xué)學(xué)報（自然科學(xué)版），2019，55（3）：48-53.

[13]許元洪，郭瓊.數(shù)據(jù)挖掘技術(shù)在語音識別中的應(yīng)用[J].應(yīng)用技術(shù)學(xué)報，2019，19（1）：84-87.

[14]潘麗杰，徐本亮，朱琪，等.基于雙麥克風(fēng)降噪技術(shù)的語音識別系統(tǒng)[J].現(xiàn)代電子技術(shù)，2016，39（2）：137-142.