一、概述

作為最自然的人機(jī)交互方式 ——語(yǔ)音，正在改變?nèi)藗兊纳?，豐富多媒體技術(shù)的應(yīng)用。語(yǔ)音識(shí)別技術(shù)是語(yǔ)音信號(hào)處理的一個(gè)重要分支，也是近年來(lái)很火的一個(gè)研究領(lǐng)域。隨著科技的飛速發(fā)展，語(yǔ)音識(shí)別不僅在桌面PC和大型工作站得到了廣泛應(yīng)用，而且在嵌入式系統(tǒng)領(lǐng)域也占有一席之地，如智能家居、語(yǔ)音助手、車(chē)載語(yǔ)音識(shí)別系統(tǒng)等。相信在不久的將來(lái)，語(yǔ)音識(shí)別技術(shù)必定會(huì)滲透在人們生活的每個(gè)角落。

二、語(yǔ)音識(shí)別系統(tǒng)的分類(lèi)

語(yǔ)音識(shí)別按照說(shuō)話(huà)人的說(shuō)話(huà)方式可以分為孤立詞（IsolatedWord）識(shí)別、連接詞（Connected Word）識(shí)別和連續(xù)語(yǔ)音（Continuous Speech）識(shí)別。孤立詞識(shí)別是指說(shuō)話(huà)人每次只說(shuō)一個(gè)詞或短語(yǔ)，每個(gè)詞或短語(yǔ)在詞匯表中都算作一個(gè)詞條，一般用在語(yǔ)音電話(huà)撥號(hào)系統(tǒng)中；連接詞語(yǔ)音識(shí)別支持一個(gè)小的語(yǔ)法網(wǎng)絡(luò)，其內(nèi)部形成一個(gè)狀態(tài)機(jī)，可以實(shí)現(xiàn)簡(jiǎn)單的家用電器的控制，而復(fù)雜的連接詞語(yǔ)音識(shí)別系統(tǒng)可以用于電話(huà)語(yǔ)音查詢(xún)、航空訂票等系統(tǒng)；連續(xù)語(yǔ)音識(shí)別是指對(duì)說(shuō)話(huà)人以日常自然的方式發(fā)音，通常特指用于語(yǔ)音錄入的聽(tīng)寫(xiě)機(jī)。

從識(shí)別對(duì)象的類(lèi)型來(lái)看，語(yǔ)音識(shí)別可以分為特定人（SpeakerDependent）語(yǔ)音識(shí)別和非特定人（Speaker Independent）語(yǔ)音識(shí)別。特定人是指只針對(duì)一個(gè)用戶(hù)的語(yǔ)音識(shí)別，非特定人則可用于不同的用戶(hù)。

從識(shí)別的詞匯量大小可以分為小詞匯量（詞數(shù)少于100）、中等詞匯量（詞數(shù)100~500）和大詞匯量（詞數(shù)多于500）。

非特定人大詞匯量連續(xù)語(yǔ)音識(shí)別是近幾年研究的重點(diǎn)，也是研究的難點(diǎn)。目前的連續(xù)語(yǔ)音識(shí)別大多是基于HMM（隱馬爾科夫模型）框架，并將聲學(xué)、語(yǔ)言學(xué)的知識(shí)統(tǒng)一引入來(lái)改善這個(gè)框架，其硬件平臺(tái)通常是功能強(qiáng)大的工作站或PC機(jī)。

三、語(yǔ)音識(shí)別的原理

語(yǔ)音識(shí)別就是對(duì)麥克風(fēng)輸入的語(yǔ)音信號(hào)進(jìn)行解析和理解，并將其轉(zhuǎn)化為相應(yīng)的文本或命令。

一個(gè)完整的語(yǔ)音識(shí)別系統(tǒng)主要包括三個(gè)部分：

語(yǔ)音特征提取（前端處理部分）：目的是濾除各種干擾成分，從語(yǔ)音波形中提取出隨時(shí)間變化的能表現(xiàn)語(yǔ)音內(nèi)容的特征矢量序列。

聲學(xué)模型和模式匹配（識(shí)別算法）：聲學(xué)模型通常由獲得的語(yǔ)音特征通過(guò)訓(xùn)練產(chǎn)生，目的是為每個(gè)發(fā)音建立發(fā)音模板。在識(shí)別時(shí)將輸入的語(yǔ)音特征同聲學(xué)模型進(jìn)行匹配與比較，得到最佳識(shí)別結(jié)果。

語(yǔ)義理解（后處理）：計(jì)算機(jī)對(duì)識(shí)別結(jié)果進(jìn)行語(yǔ)義、語(yǔ)法分析，明白語(yǔ)音的意義以便做出相應(yīng)的反應(yīng)，通常通過(guò)語(yǔ)言模型來(lái)實(shí)現(xiàn)。

語(yǔ)音識(shí)別原理如下圖所示：

待識(shí)別語(yǔ)音經(jīng)話(huà)筒轉(zhuǎn)化為電信號(hào)后加在識(shí)別系統(tǒng)的輸入端，經(jīng)過(guò)預(yù)處理，接著進(jìn)行語(yǔ)音特征提取，用反映語(yǔ)音信號(hào)特征的若干參數(shù)來(lái)代表原始語(yǔ)音。常用的語(yǔ)音特征包括：線(xiàn)性預(yù)測(cè)系數(shù)（LPC）、線(xiàn)性預(yù)測(cè)倒譜系數(shù)（LPCC）、Mel頻譜系數(shù)（MFCC）等。

接下來(lái)分為兩個(gè)階段：：訓(xùn)練階段和識(shí)別階段。

在訓(xùn)練階段，對(duì)用特征參數(shù)形式表示的語(yǔ)音信號(hào)進(jìn)行相應(yīng)處理，獲得表示識(shí)別基本單元共性特點(diǎn)的標(biāo)準(zhǔn)數(shù)據(jù)，以此構(gòu)成參考模板，將所有能識(shí)別的基本單元的參考模板結(jié)合在一起，形成參考模式庫(kù)；

在識(shí)別階段，將待識(shí)別的語(yǔ)音信號(hào)經(jīng)特征提取后逐一與參考模式庫(kù)中的各個(gè)模板按某種原則進(jìn)行匹配，找出最相似的參考模板所對(duì)應(yīng)的發(fā)音，即為識(shí)別結(jié)果。

最后進(jìn)行語(yǔ)音處理，涉及語(yǔ)法分析、語(yǔ)音理解、語(yǔ)義網(wǎng)絡(luò)等。

語(yǔ)音識(shí)別過(guò)程要根據(jù)模式匹配原則，計(jì)算未知語(yǔ)音模式與語(yǔ)音模板庫(kù)中的每一個(gè)模板的距離測(cè)度，從而得到最佳的匹配模式。語(yǔ)音識(shí)別所應(yīng)用的模式匹配方法主要有動(dòng)態(tài)時(shí)間規(guī)整（Dynamic Time Warping，DTW），隱馬爾科夫模型（Hidden Markov Model，HMM）和人工神經(jīng)元網(wǎng)絡(luò)（Artificial Neural Networks，ANN）。

四、難題

識(shí)別率是衡量語(yǔ)音識(shí)別系統(tǒng)性能好壞的一個(gè)重要指標(biāo)，在實(shí)際應(yīng)用中，識(shí)別率主要受到以下幾個(gè)因素的影響：

對(duì)于漢語(yǔ)語(yǔ)音識(shí)別，方言或口音會(huì)降低識(shí)別率；

背景噪聲。公共場(chǎng)所的強(qiáng)噪聲對(duì)識(shí)別效果影響甚大，即使是在實(shí)驗(yàn)室環(huán)境下，敲擊鍵盤(pán)、移動(dòng)麥克風(fēng)都會(huì)成為背景噪聲；

“口語(yǔ)”問(wèn)題。它既涉及到自然語(yǔ)言理解，又與聲學(xué)有關(guān)。語(yǔ)音識(shí)別技術(shù)的最終目的是要讓用戶(hù)在“人機(jī)對(duì)話(huà)”時(shí)，能夠像進(jìn)行“人與人對(duì)話(huà)”一樣自然，而一旦用戶(hù)以跟人交談的方式進(jìn)行語(yǔ)音輸入時(shí)，口語(yǔ)的語(yǔ)法不規(guī)范和語(yǔ)序不正常的特點(diǎn)會(huì)給語(yǔ)義的分析和理解帶來(lái)困難。

此外，識(shí)別率還與說(shuō)話(huà)人的性別、說(shuō)話(huà)時(shí)間長(zhǎng)短等有關(guān)。

實(shí)時(shí)性是衡量語(yǔ)音識(shí)別系統(tǒng)性能好壞的另一指標(biāo)。對(duì)于具有高速運(yùn)算能力的CPU和大容量存儲(chǔ)器的PC而言，基本上能夠滿(mǎn)足實(shí)時(shí)性的要求；而對(duì)于資源有限的嵌入式系統(tǒng)來(lái)說(shuō)，實(shí)時(shí)性幾乎得不到保證。