淺析語音識別技術及其發(fā)展

申請免費試用、咨詢電話：400-8352-114

機器能聽懂人類的語言嗎？我們能扔掉鍵盤、鼠標用自然語言操縱計算機嗎？隨著語音識別技術的發(fā)展，夢想正在變?yōu)楝F(xiàn)實。

語音識別以語音為研究對象，它是語音信號處理的一個重要研究方向，是模式識別的一個分支，涉及到生理學、心理學、語言學、計算機科學以及信號處理等諸多領域，甚至還涉及到人的體態(tài)語言（如人在說話時的表情、手勢等行為動作可幫助對方理解），其最終目標是實現(xiàn)人與機器進行自然語言通信。

本文將簡要介紹語音識別的發(fā)展歷史，采用的關鍵技術，面臨的困難與挑戰(zhàn)以及廣闊的應用前景。

1 語音識別的發(fā)展歷史

語音識別的研究工作大約開始于50年代，當時AT& T Bell實驗室實現(xiàn)了第一個可識別十個英文數(shù)字的語音識別系統(tǒng) Audry系統(tǒng)。

60年代，計算機的應用推動了語音識別的發(fā)展。這時期的重要成果是提出了動態(tài)規(guī)劃（DP）和線性預測分析技術（LP），其中后者較好地解決了語音信號產(chǎn)生模型的問題，對語音識別的發(fā)展產(chǎn)生了深遠影響。

70年代，語音識別領域取得了突破。在理論上，LP技術得到進一步發(fā)展，動態(tài)時間歸正技術（DTW）基本成熟，特別是提出了矢量量化（VQ）和隱馬爾可夫模型（HMM）理論。在實踐上，實現(xiàn)了基于線性預測倒譜和DTW技術的特定人孤立語音識別系統(tǒng)。

80年代，語音識別研究進一步走向深入，其顯著特征是HMM模型和人工神經(jīng)元網(wǎng)絡（ANN）在語音識別中的成功應用。HMM模型的廣泛應用應歸功于AT＆ T Bell實驗室Rabiner等科學家的努力，他們把原本艱澀的HMM純數(shù)學模型工程化，從而為更多研究者了解和認識。ANN和HMM模型建立的語音識別系統(tǒng)，性能相當。

進入90年代，隨著多媒體時代的來臨，迫切要求語音識別系統(tǒng)從實驗室走向?qū)嵱谩ＴS多發(fā)達國家如美國、日本、韓國以及IBM、Apple、AT＆T、NTT等著名公司都為語音識別系統(tǒng)的實用化開發(fā)研究投以巨資。

我國語音識別研究工作一直緊跟國際水平，國家也很重視，并把大詞匯量語音識別的研究列入“863”計劃，由中科院聲學所、自動化所及北京大學等單位研究開發(fā)。鑒于中國未來龐大的市場，國外也非常重視漢語語音識別的研究。美國、新加坡等地聚集了一批來自大陸、臺灣、香港等地的學者，研究成果已達到相當高水平。因此，國內(nèi)除了要加強理論研究外，更要加快從實驗室演示系統(tǒng)到商品的轉化。

2  語音識別技術

首先介紹一下語音識別系統(tǒng)的分類方式及依據(jù)。

●根據(jù)對說話人說話方式的要求，可以分為孤立字（詞）語音識別系統(tǒng)，連接字語音識別系統(tǒng)以及連續(xù)語音識別系統(tǒng)。

●根據(jù)對說話人的依賴程度可以分為特定人和非特定人語音識別系統(tǒng)。

●根據(jù)詞匯量大小，可以分為小詞匯量、中等詞匯量、大詞匯量以及無限詞匯量語音識別系統(tǒng)。

不同的語音識別系統(tǒng)，雖然具體實現(xiàn)細節(jié)有所不同，但所采用的基本技術相似，一個典型語音識別系統(tǒng)的實現(xiàn)過程如圖1所示。

圖1 語音識別的實現(xiàn)

語音識別技術主要包括特征提取技術、模式匹配準則及模型訓練技術三個方面。此外，還涉及到語音識別單元的選取。

（1）語音識別單元的選取

選擇識別單元是語音識別研究的第一步。語音識別單元有單詞（句）、音節(jié)和音素三種，具體選擇哪一種，由具體的研究任務決定。

單詞（白）單元廣泛應用于中小詞匯語音識別系統(tǒng)，但不適合大詞匯系統(tǒng)，原因在于模型庫太龐大，訓練模型任務繁重，模型匹配算法復雜，難以滿足實時性要求。

音節(jié)單元多見于漢語語音識別，主要因為漢語是單音節(jié)結構的語言，而英語是多音節(jié)，并且漢語雖然有大約1300個音節(jié)，但若不考慮聲調(diào)，約有408個無調(diào)音節(jié)，數(shù)量相對較少。因此，對于中、大詞匯量漢語語音識別系統(tǒng)來說，以音節(jié)為識別單元基本是可行的。

音素單元以前多見于英語語音識別的研究中，但目前中、大詞匯量漢語語音識別系統(tǒng)也在越來越多地采用。原因在于漢語音節(jié)僅由聲母（包括零聲母有22個）和韻母（共有28個）構成，且聲韻母聲學特性相差很大。實際應用中常把聲母依后續(xù)韻母的不同而構成細化聲母，這樣雖然增加了模型數(shù)目，但提高了易混淆音節(jié)的區(qū)分能力。由于協(xié)同發(fā)音的影響，音素單元不穩(wěn)定，所以如何獲得穩(wěn)定的音素單元，還有待研究。

（2）特征參數(shù)提取技術

語音信號中含有豐富的信息，但如何從中提取出對語音識別有用的信息呢？特征提取就是完成這項工作，它對語音信號進行分析處理，去除對語音識別無關緊要的冗余信息，獲得影響語音識別的重要信息。對于非特定人語音識別來講，希望特征參數(shù)盡—可能多的反映語義信息，盡量減少說話人的個人信息（對特定人語音識別來講，則相反）。從信息論角度講，這是信息壓縮的過程。

線性預測（LP）分析技術是目前應用廣泛的特征參數(shù)提取技術，許多成功的應用系統(tǒng)都采用基于LP技術提取的倒譜參數(shù)。但線性預測模型是純數(shù)學模型，沒有考慮人類聽覺系統(tǒng)對語音的處理特點。

Mel參數(shù)和基于感知線性預測（PLP）分析提取的感知線性預測倒譜，在一定程度上模擬了人耳對語音的處理特點，應用了人耳聽覺感知方面的一些研究成果。實驗證明，采用這種技術，語音識別系統(tǒng)的性能有一定提高。

也有研究者嘗試把小波分析技術應用于特征提取，但目前性能難以與上述技術相比，有待進一步研究。

（3）模式匹配及模型訓練技術

模型訓練是指按照一定的準則，從大量已知模式中獲取表征該模式本質(zhì)特征的模型參數(shù)，而模式匹配則是根據(jù)一定準則，使未知模式與模型庫中的某一個模型獲得最佳匹配。

語音識別所應用的模式匹配和模型訓練技術主要有動態(tài)時間歸正技術（DTW）、隱馬爾可夫模型（HMM）和人工神經(jīng)元網(wǎng)絡（ANN）。

DTW是較早的一種模式匹配和模型訓練技術，它應用動態(tài)規(guī)劃方法成功解決了語音信號特征參數(shù)序列比較時時長不等的難題，在孤立詞語音識別中獲得了良好性能。但因其不適合連續(xù)語音大詞匯量語音識別系統(tǒng)，目前已被HMM模型和ANN替代。

HMM模型是語音信號時變特征的有參表示法。它由相互關聯(lián)的兩個隨機過程共同描述信號的統(tǒng)計特性，其中一個是隱蔽的（不可觀測的）具有有限狀態(tài)的Markor鏈，另一個是與Markor鏈的每一狀態(tài)相關聯(lián)的觀察矢量的隨機過程（可觀測的）。隱蔽Markor鏈的特征要靠可觀測到的信號特征揭示。這樣，語音等時變信號某一段的特征就由對應狀態(tài)觀察符號的隨機過程描述，而信號隨時間的變化由隱蔽Markor鏈的轉移概率描述。模型參數(shù)包括HMM拓撲結構、狀態(tài)轉移概率及描述觀察符號統(tǒng)計特性的一組隨機函數(shù)。按照隨機函數(shù)的特點，HMM模型可分為離散隱馬爾可夫模型（采用離散概率密度函數(shù)，簡稱DHMM）和連續(xù)隱馬爾可夫模型（采用連續(xù)概率密度函數(shù)，簡稱CHMM）以及半連續(xù)隱馬爾可夫模型（SCHMM，集DHMM和CHMM特點）。一般來講，在訓練數(shù)據(jù)足夠的，CHMM優(yōu)于DHMM和SCHMM。

HMM模型的訓練和識別都已研究出有效的算法，并不斷被完善，以增強HMM模型的魯棒性。

——人工神經(jīng)元網(wǎng)絡在語音識別中的應用是現(xiàn)在研究的又一熱點。ANN本質(zhì)上是一個自適應非線性動力學系統(tǒng)，模擬了人類神經(jīng)元活動的原理，具有自學、聯(lián)想、對比、推理和概括能力。這些能力是HMM模型不具備的，但ANN又不個有HMM模型的動態(tài)時間歸正性能。因此，現(xiàn)在已有人研究如何把二者的優(yōu)點有機結合起來，從而提高整個模型的魯棒性。

3  語音識別的困難與對策

目前，研究工作進展緩慢，主要表現(xiàn)在理論上一直沒有突破。雖然各種新的修正方法不斷涌現(xiàn)，但其普遍適用性都值得商榷。

具體來講，困難主要表現(xiàn)在：

●語音識別系統(tǒng)的適應性差，主要體現(xiàn)在對環(huán)境依賴性強，即在某種環(huán)境下采集到的語音訓練系統(tǒng)只能在這種環(huán)境下應用，否則系統(tǒng)性能將急劇下降；另外一個問題是對用戶的錯誤輸入不能正確響應，使用不方便。

●高噪聲環(huán)境下語音識別進展困難，因為此時人的發(fā)音變化很大，像聲音變高，語速變慢，音調(diào)及共振峰變化等等，這就是所謂Lombard效應，必須尋找新的信號分析處理方法。

●語言學、生理學、心理學方面的研究成果已有不少，但如何把這些知識量化、建模并用于語音識別，還需研究。而語言模型、語法及詞法模型在中、大詞匯量連續(xù)語音識別中是非常重要的。

●我們對人類的聽覺理解、知識積累和學習機制以及大腦神經(jīng)系統(tǒng)的控制機理等分面的認識還很不清楚；其次，把這方面的現(xiàn)有成果用于語音識別，還有一個艱難的過程。

●語音識別系統(tǒng)從實驗室演示系統(tǒng)到商品的轉化過程中還有許多具體問題需要解決，識別速度、拒識問題以及關鍵詞（句）檢測技術（即從連續(xù)語音中去除諸如“啊”、“唉”等語音，獲得真正待識別的語音部分）等等技術細節(jié)要解決。

為了解決這些問題，研究人員提出了各種各樣的方法，如自適應訓練，基于最大互信息準則（MMI）和最小區(qū)別信息準則（MDI）的區(qū)別訓練和“矯正”訓練；應用人耳對語音信號的處理特點，分析提取特征參數(shù)，應用人工神經(jīng)元網(wǎng)絡……所有這些努力都取得了一定成績。

不過，如果要使語音識別系統(tǒng)性能有大的提高，就要綜合應用語言學、心理學、生理學以及信號處理等各門學科有關知識，只用其中一種是不行的。

4  語音識別的應用

目前世界各國都加快了語音識別應用系統(tǒng)的研究開發(fā)，并已有一些實用的語音識別系統(tǒng)投入商業(yè)運營。在美國語音識別系統(tǒng)的銷售額逐年上升，由于使用了語音識別系統(tǒng)，為企業(yè)贏得了巨額收入。

比較典型而成功的語音識別系統(tǒng)有AT＆T于1992年開發(fā)的VRCP系統(tǒng)。該系統(tǒng)是有五個單詞（collect，person，third number，operator和calling card）的非特定人小詞匯量語音識別系統(tǒng)，現(xiàn)已應用于AT＆T通信網(wǎng)上，可以實現(xiàn)自動話務員協(xié)助式呼叫，代替話務員完成五種呼叫類型，即

●collect call——受話人付費電話，命令字col1ect

●person-person-call——定人呼叫，命令字person

●third-party-billing-call——第三方付費電話，命令字third number

●operator-assisted call——話務員協(xié)助呼叫，命令字operator

●credit card call——信用卡呼叫，命令字calling card

為使用戶使用方便，系統(tǒng)配有語音提示告訴用戶如何使用。該系統(tǒng)所具有的關鍵詞檢測技術可從句子中查找到五個命令字中的一個，從而使用戶在講話時更加自然，如可以講“collect call please”，整個系統(tǒng)的正確識別率超過99％。

此外，已經(jīng)實用的系統(tǒng)還有AT ＆ T 800語音識別服務系統(tǒng)，NTT ANSER語音識別銀行服務系統(tǒng)，Northen Telecom股票價格行情系統(tǒng)，使得原本手工操作的工作用語音就可方便地完成。

從語音識別技術的發(fā)展可以看出，科學技術推動了社會發(fā)展，滿足人們的需求，社會需求也反過來推動科學技術發(fā)展。多媒體時代的來臨，迫切要求解決自動語音識別的難題，必然推動語音識別理論和應用研究的進展。估計在本世紀最后幾年至二十一世紀初，語音識別技術將會在理論上和應用上都取得突破性進展。到那時，我們將體會到語音識別帶來的種種便利。（CIO時代論壇）