|
回顧了語(yǔ)音識(shí)別技術(shù)的發(fā)展歷史,描述了語(yǔ)音識(shí)別系統(tǒng)的基本原理,介紹了語(yǔ)音識(shí)別的幾種基本方法,并對(duì)語(yǔ)音識(shí)別技術(shù)面臨的問(wèn)題和發(fā)展前景進(jìn)行了討論。 1 語(yǔ)音識(shí)別技術(shù)概述 語(yǔ)音識(shí)別是解決機(jī)器“聽(tīng)懂”人類語(yǔ)言的一項(xiàng)技術(shù)。作為智能計(jì)算機(jī)研究的主導(dǎo)方向和人機(jī)語(yǔ)音通信的關(guān)鍵技術(shù)，語(yǔ)音識(shí)別技術(shù)一直受到各國(guó)科學(xué)界的廣泛關(guān)注。如今，隨著語(yǔ)音識(shí)別技術(shù)研究的突破，其對(duì)計(jì)算機(jī)發(fā)展和社會(huì)生活的重要性日益凸現(xiàn)出來(lái)。以語(yǔ)音識(shí)別技術(shù)開(kāi)發(fā)出的產(chǎn)品應(yīng)用領(lǐng)域非常廣泛，如聲控電話交換、信息網(wǎng)絡(luò)查詢、家庭服務(wù)、賓館服務(wù)、醫(yī)療服務(wù)、銀行服務(wù)、工業(yè)控制、語(yǔ)音通信系統(tǒng)等，幾乎深入到社會(huì)的每個(gè)行業(yè)和每個(gè)方面。 廣泛意義上的語(yǔ)音識(shí)別按照任務(wù)的不同可以分為4個(gè)方向：說(shuō)話人識(shí)別、關(guān)鍵詞檢出、語(yǔ)言辨識(shí)和語(yǔ)音識(shí)別。說(shuō)話人識(shí)別技術(shù)是以話音對(duì)說(shuō)話人進(jìn)行區(qū)別，從而進(jìn)行身份鑒別和認(rèn)證的技術(shù)。關(guān)鍵詞檢出技術(shù)應(yīng)用于一些具有特定要求的場(chǎng)合，只關(guān)注那些包含特定詞的句子，例如對(duì)一些特殊人名、地名的電話監(jiān)聽(tīng)等。語(yǔ)言辨識(shí)技術(shù)是通過(guò)分析處理一個(gè)語(yǔ)音片斷以判別其所屬語(yǔ)言種類的技術(shù)，本質(zhì)上也是語(yǔ)音識(shí)別技術(shù)的一個(gè)方面。語(yǔ)音識(shí)別就是通常人們所說(shuō)的以說(shuō)話的內(nèi)容作為識(shí)別對(duì)象的技術(shù)，它是4個(gè)方面中最重要和研究最廣泛的一個(gè)方向，也是本文討論的主要內(nèi)容。 2 語(yǔ)音識(shí)別的研究歷史及現(xiàn)狀 語(yǔ)音識(shí)別的研究工作始于20世紀(jì)50年代，1952年Bell實(shí)驗(yàn)室開(kāi)發(fā)的Audry系統(tǒng)是第一個(gè)可以識(shí)別10個(gè)英文數(shù)字的語(yǔ)音識(shí)別系統(tǒng)。1959年，Rorgie和Forge采用數(shù)字計(jì)算機(jī)識(shí)別英文元音和孤立詞，從此開(kāi)始了計(jì)算機(jī)語(yǔ)音識(shí)別。60年代，蘇聯(lián)的Matin等提出了語(yǔ)音結(jié)束點(diǎn)的端點(diǎn)檢測(cè)，使語(yǔ)音識(shí)別水平明顯上升；Vintsyuk提出了動(dòng)態(tài)編程，這一提法在以后的識(shí)別中不可或缺。60年代末、70年代初的重要成果是提出了信號(hào)線性預(yù)測(cè)編碼(LPC)技術(shù)和動(dòng)態(tài)時(shí)間規(guī)整(DTW)技術(shù)，有效地解決了語(yǔ)音信號(hào)的特征提取和不等長(zhǎng)語(yǔ)音匹配問(wèn)題；同時(shí)提出了矢量量化(VQ)和隱馬爾可夫模型(HMM)理論。 80年代語(yǔ)音識(shí)別研究進(jìn)一步走向深入：HMM模型和人工神經(jīng)網(wǎng)絡(luò)(ANN)在語(yǔ)音識(shí)別中成功應(yīng)用。1988年，F(xiàn)ULEE Kai等用VQ/I-IMM方法實(shí)現(xiàn)了997個(gè)詞匯的非特定人連續(xù)語(yǔ)音識(shí)別系統(tǒng)SPHINX。這是世界上第1個(gè)高性能的非特定人、大詞匯量、連續(xù)語(yǔ)音識(shí)別系統(tǒng)。 進(jìn)入90年代后，語(yǔ)音識(shí)別技術(shù)進(jìn)一步成熟，并開(kāi)始向市場(chǎng)提供產(chǎn)品。許多發(fā)達(dá)國(guó)家如美國(guó)、日本、韓國(guó)以及IBM、Apple、AT&T、Microsoft等公司都為語(yǔ)音識(shí)別系統(tǒng)的實(shí)用化開(kāi)發(fā)研究投以巨資。同時(shí)漢語(yǔ)語(yǔ)音識(shí)別也越來(lái)越受到重視。IBM開(kāi)發(fā)的 ViaVoice和Microsoft開(kāi)發(fā)的中文識(shí)別引擎都具有了相當(dāng)高的漢語(yǔ)語(yǔ)音識(shí)別水平。 進(jìn)入21世紀(jì)，隨著消費(fèi)類電子產(chǎn)品的普及，嵌入式語(yǔ)音處理技術(shù)發(fā)展迅速。基于語(yǔ)音識(shí)別芯片的嵌入式產(chǎn)品也越來(lái)越多，如Sensory公司的RSC系列語(yǔ)音識(shí)別芯片、Infineon公司的Unispeech和Unilite語(yǔ)音芯片等，這些芯片在嵌入式硬件開(kāi)發(fā)中得到了廣泛的應(yīng)用。在軟件上，目前比較成功的語(yǔ)音識(shí)別軟件有:Nuance、IBM的Viavoice和Microsoft的SAPI以及開(kāi)源軟件HTK，這些軟件都是面向非特定人、大詞匯量的連續(xù)語(yǔ)音識(shí)別系統(tǒng)。 我國(guó)語(yǔ)音識(shí)別研究一直緊跟國(guó)際水平，國(guó)家也很重視。國(guó)內(nèi)中科院的自動(dòng)化所、聲學(xué)所以及清華大學(xué)等科研機(jī)構(gòu)和高校都在從事語(yǔ)音識(shí)別領(lǐng)域的研究和開(kāi)發(fā)。國(guó)家863智能計(jì)算機(jī)專家組為語(yǔ)音識(shí)別技術(shù)研究專門立項(xiàng)，并取得了高水平的科研成果。我國(guó)中科院自動(dòng)化所研制的非特定人、連續(xù)語(yǔ)音聽(tīng)寫(xiě)系統(tǒng)和漢語(yǔ)語(yǔ)音人機(jī)對(duì)話系統(tǒng)，其準(zhǔn)確率和系統(tǒng)響應(yīng)率均可達(dá)90%以上。 3 語(yǔ)音識(shí)別系統(tǒng) 語(yǔ)音識(shí)別本質(zhì)上是一種模式識(shí)別的過(guò)程，未知語(yǔ)音的模式與已知語(yǔ)音的參考模式逐一進(jìn)行比較，最佳匹配的參考模式被作為識(shí)別結(jié)果。圖1是基于模式匹配原理的自動(dòng)語(yǔ)音識(shí)別系統(tǒng)原理框圖。 (1)預(yù)處理模塊：對(duì)輸入的原始語(yǔ)音信號(hào)進(jìn)行處理，濾除掉其中的不重要的信息以及背景噪聲，并進(jìn)行語(yǔ)音信號(hào)的端點(diǎn)檢測(cè)、語(yǔ)音分幀以及預(yù)加重等處理。 (2)特征提取模塊：負(fù)責(zé)計(jì)算語(yǔ)音的聲學(xué)參數(shù)，并進(jìn)行特征的計(jì)算，以便提取出反映信號(hào)特征的關(guān)鍵特征參數(shù)用于后續(xù)處理。現(xiàn)在較常用的特征參數(shù)有線性預(yù)測(cè)（LPC)參數(shù)、線譜對(duì)（LSP)參數(shù)、LPCC、MFCC、ASCC、感覺(jué)加權(quán)的線性預(yù)測(cè)（PLP)參數(shù)、動(dòng)態(tài)差分參數(shù)和高階信號(hào)譜類特征等。其中，Mel頻率倒譜系數(shù)（MFCC)參數(shù)因其良好的抗噪性和魯棒性而應(yīng)用廣泛。 (3)訓(xùn)練階段：用戶輸入若干次訓(xùn)練語(yǔ)音，經(jīng)過(guò)預(yù)處理和特征提取后得到特征矢量參數(shù)，建立或修改訓(xùn)練語(yǔ)音的參考模式庫(kù)。 (4)識(shí)別階段：將輸入的語(yǔ)音提取特征矢量參數(shù)后與參考模式庫(kù)中的模式進(jìn)行相似性度量比較，并結(jié)合一定的判別規(guī)則和專家知識(shí)（如構(gòu)詞規(guī)則，語(yǔ)法規(guī)則等)得出最終的識(shí)別結(jié)果。 4 語(yǔ)音識(shí)別的幾種基本方法 當(dāng)今語(yǔ)音識(shí)別技術(shù)的主流算法，主要有基于動(dòng)態(tài)時(shí)間規(guī)整(DTW)算法、基于非參數(shù)模型的矢量量化(VQ)方法、基于參數(shù)模型的隱馬爾可夫模型(HMM)的方法、基于人工神經(jīng)網(wǎng)絡(luò)(ANN)和支持向量機(jī)等語(yǔ)音識(shí)別方法。 4.1 動(dòng)態(tài)時(shí)間規(guī)整(DTW) DTW是把時(shí)間規(guī)整和距離測(cè)度計(jì)算結(jié)合起來(lái)的一種非線性規(guī)整技術(shù)，是較早的一種模式匹配和模型訓(xùn)練技術(shù)。該方法成功解決了語(yǔ)音信號(hào)特征參數(shù)序列比較時(shí)時(shí)長(zhǎng)不等的難題，在孤立詞語(yǔ)音識(shí)別中獲得了良好性能。 4.2 矢量量化(VQ) 矢量量化是一種重要的信號(hào)壓縮方法，主要適用于小詞匯量、孤立詞的語(yǔ)音識(shí)別中。其過(guò)程是：將語(yǔ)音信號(hào)波形的k個(gè)樣點(diǎn)的每1幀，或有k個(gè)參數(shù)的每1參數(shù)幀，構(gòu)成k維空間中的1個(gè)矢量，然后對(duì)矢量進(jìn)行量化。量化時(shí)，將k維無(wú)限空間劃分為M個(gè)區(qū)域邊界，然后將輸入矢量與這些邊界進(jìn)行比較，并被量化為“距離”最小的區(qū)域邊界的中心矢量值。矢量量化器的設(shè)計(jì)就是從大量信號(hào)樣本中訓(xùn)練出好的碼書(shū)，從實(shí)際效果出發(fā)尋找到好的失真測(cè)度定義公式，設(shè)計(jì)出最佳的矢量量化系統(tǒng)，用最少的搜索和計(jì)算失真的運(yùn)算量，實(shí)現(xiàn)最大可能的平均信噪比。 4.3 隱馬爾可夫模型(HMM) 隱馬爾可夫模型是20世紀(jì)70年代引入語(yǔ)音識(shí)別理論的，它的出現(xiàn)使得自然語(yǔ)音識(shí)別系統(tǒng)取得了實(shí)質(zhì)性的突破。目前大多數(shù)大詞匯量、連續(xù)語(yǔ)音的非特定人語(yǔ)音識(shí)別系統(tǒng)都是基于HMM模型的。 HMM是對(duì)語(yǔ)音信號(hào)的時(shí)間序列結(jié)構(gòu)建立統(tǒng)計(jì)模型，將其看作一個(gè)數(shù)學(xué)上的雙重隨機(jī)過(guò)程：一個(gè)是用具有有限狀態(tài)數(shù)的Markov鏈來(lái)模擬語(yǔ)音信號(hào)統(tǒng)計(jì)特性變化的隱含的隨機(jī)過(guò)程，另一個(gè)是與Markov鏈的每一個(gè)狀態(tài)相關(guān)聯(lián)的觀測(cè)序列的隨機(jī)過(guò)程。前者通過(guò)后者表現(xiàn)出來(lái)，但前者的具體參數(shù)是不可測(cè)的。人的言語(yǔ)過(guò)程實(shí)際上就是一個(gè)雙重隨機(jī)過(guò)程，語(yǔ)音信號(hào)本身是一個(gè)可觀測(cè)的時(shí)變序列，是由大腦根據(jù)語(yǔ)法知識(shí)和言語(yǔ)需要(不可觀測(cè)的狀態(tài))發(fā)出的音素的參數(shù)流。HMM合理地模仿了這一過(guò)程，很好地描述了語(yǔ)音信號(hào)的整體非平穩(wěn)性和局部平穩(wěn)性，是較為理想的一種語(yǔ)音模型。 HMM模型可細(xì)分為離散隱馬爾可夫模型(DHMM)和連續(xù)隱馬爾可夫模型(CHMM)以及半連續(xù)隱馬爾可夫模型(SCHMM)等。 4.4 人工神經(jīng)元網(wǎng)絡(luò)(ANN) 人工神經(jīng)元網(wǎng)絡(luò)在語(yǔ)音識(shí)別中的應(yīng)用是目前研究的又一熱點(diǎn)。ANN實(shí)際上是一個(gè)超大規(guī)模非線性連續(xù)時(shí)間自適應(yīng)信息處理系統(tǒng)，它模擬了人類神經(jīng)元活動(dòng)的原理，最主要的特征為連續(xù)時(shí)間非線性動(dòng)力學(xué)、網(wǎng)絡(luò)的全局作用、大規(guī)模并行分布處理及高度的穩(wěn)健性和學(xué)習(xí)聯(lián)想能力。這些能力是HMM模型不具備的。但ANN又不具有HMM模型的動(dòng)態(tài)時(shí)間歸正性能。因此，人們嘗試研究基于HMM和ANN的混合模型，把兩者的優(yōu)點(diǎn)有機(jī)結(jié)合起來(lái)，從而提高整個(gè)模型的魯棒性，這也是目前研究的一個(gè)熱點(diǎn)。 4.5 支持向量機(jī)（SVM) 支持向量機(jī)是應(yīng)用統(tǒng)計(jì)學(xué)習(xí)理論的一種新的學(xué)習(xí)機(jī)模型，它采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理(SRM)，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)，在解決小樣本、非線性及高維模式識(shí)別方面有許多優(yōu)越的性能。其基本思想可以概括為：首先通過(guò)非線性變換將輸入空間變換到一個(gè)高維空間，然后在這個(gè)新空間中求取最優(yōu)線性分類面，而這種非線性變換是通過(guò)定義適當(dāng)?shù)膬?nèi)積函數(shù)實(shí)現(xiàn)的。目前，統(tǒng)計(jì)學(xué)習(xí)理論和支持向量機(jī)也是國(guó)際上機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)。 5 語(yǔ)音識(shí)別所面臨的問(wèn)題 盡管語(yǔ)音識(shí)別取得很大成功，但是距離真正的人機(jī)自由交流還有很大的距離。例如，目前計(jì)算機(jī)還需要對(duì)用戶做大量訓(xùn)練才能更準(zhǔn)確識(shí)別，用戶的語(yǔ)音識(shí)別率也并不是盡如人意。主要難題有以下幾個(gè)方面： (1)識(shí)別系統(tǒng)的適應(yīng)性差。主要體現(xiàn)在對(duì)環(huán)境依賴性強(qiáng)，特別在高噪音環(huán)境下語(yǔ)音識(shí)別性能還不理想。 (2)語(yǔ)音識(shí)別系統(tǒng)從實(shí)驗(yàn)室演示系統(tǒng)到商品的轉(zhuǎn)化過(guò)程中，還有許多具體問(wèn)題需要解決。例如，識(shí)別速度、拒識(shí)等問(wèn)題，還有連續(xù)語(yǔ)音中去除不必要語(yǔ)氣詞如“呃”、“啊”等語(yǔ)音的技術(shù)細(xì)節(jié)問(wèn)題。 (3)語(yǔ)言學(xué)、生理學(xué)、心理學(xué)方面的研究成果已有不少，但如何把這些知識(shí)量化、建模并用于語(yǔ)音識(shí)別，還需要進(jìn)一步研究。 面對(duì)上面的困難，語(yǔ)音識(shí)別技術(shù)要做到真正成功，在任何環(huán)境中都能人機(jī)進(jìn)行自由地對(duì)話，不僅需要語(yǔ)音識(shí)別基礎(chǔ)理論的突破，更需要大量的實(shí)際工作的積累。 6 語(yǔ)音識(shí)別技術(shù)的前景展望 語(yǔ)音作為當(dāng)前通信系統(tǒng)中最自然的通信媒介，語(yǔ)音識(shí)別技術(shù)是非常重要的人機(jī)交互技術(shù)。隨著計(jì)算機(jī)和語(yǔ)音處理技術(shù)的發(fā)展，語(yǔ)音識(shí)別系統(tǒng)的實(shí)用性將進(jìn)一步提高。應(yīng)用語(yǔ)音的自動(dòng)理解和翻譯，可消除人類相互交往的語(yǔ)言障礙。國(guó)外已有多種基于語(yǔ)音識(shí)別產(chǎn)品(如聲控?fù)芴?hào)電話、語(yǔ)音記事本等)的應(yīng)用，基于特定任務(wù)和環(huán)境的聽(tīng)寫(xiě)機(jī)也已經(jīng)進(jìn)入應(yīng)用階段。這預(yù)示著語(yǔ)音識(shí)別技術(shù)有著非常廣泛的應(yīng)用領(lǐng)域和市場(chǎng)前景。隨著語(yǔ)音技術(shù)的進(jìn)步和通信技術(shù)的飛速發(fā)展，語(yǔ)音識(shí)別技術(shù)將為網(wǎng)上會(huì)議、商業(yè)管理、醫(yī)藥衛(wèi)生、教育培訓(xùn)等各個(gè)領(lǐng)域帶來(lái)極大的便利，其應(yīng)用和經(jīng)濟(jì)、社會(huì)效益前景非常良好。 |
