語音識別技術人工智能論文1

1、語音識別技術人工智能論文一：前沿語音識別技術是2000年至2010年間信息技術領域十大重要的科技發(fā)展技術之一。它是一門交叉學科，正逐步成為信息技術中人機接口的關鍵技術。語音識別 技術與語音合成技術結合使人們能夠甩掉鍵盤，通過語音命令進行操作。語音技術的應用已經(jīng)成為一個具有競爭性的新興高技術產(chǎn)業(yè)。二：語音識別技術概述語音識別技術，也被稱為自動語音識別automatic speech recognition，(asr)，其目標是將人類的語音中的詞匯內(nèi)容轉換為計算機可讀的輸入，例如按鍵、二進制編碼或者字符序列。與說話人識別及說話人確認不同，后者嘗試識別或確認發(fā)出語音的說話人而非其中所包含的詞匯內(nèi)容。

2、語音識別技術的應用包括語音撥號、語音導航、室內(nèi)設備控制、語音文檔檢索、簡單的聽寫數(shù)據(jù)錄入等。語音識別技術與其他自然語言處理技術如機器翻譯及語音合成技術相結合，可以構建出更加復雜的應用，例如語音到語音的翻譯。語音識別技術所涉及的領域包括：信號處理、模式識別、概率論和信息論、發(fā)聲機理和聽覺機理、人工智能等等。語音識別是解決機器“聽懂”人類語言的一項技術。作為智能計算機研究的主導方向和人機語音通信的關鍵技術，語音識別技術一直受到各國科學界的廣泛關注。如今，隨著語音識別技術研究的突破，其對計算機發(fā)展和社會生活的重要性日益凸現(xiàn)出來。以語音識別技術開發(fā)出的產(chǎn)品應用領域非常廣泛，如聲控電話交換、信息網(wǎng)絡查詢

3、、家庭服務、賓館服務、醫(yī)療服務、銀行服務、工業(yè)控制、語音通信系統(tǒng)等，幾乎深入到社會的每個行業(yè)和每個方面。三語音識別的研究歷史 語音識別的研究工作始于20世紀50年代，1952年bell實驗室開發(fā)的audry系統(tǒng)是第一個可以識別10個英文數(shù)字的語音識別系統(tǒng)。1959年，rorgie和forge采用數(shù)字計算機識別英文元音和孤立詞，從此開始了計算機語音識別。60年代，蘇聯(lián)的matin等提出了語音結束點的端點檢測，使語音識別水平明顯上升；vintsyuk提出了動態(tài)編程，這一提法在以后的識別中不可或缺。60年代末、70年代初的重要成果是提出了信號線性預測編碼(lpc)技術和動態(tài)時間規(guī)整(dtw)技術，有

4、效地解決了語音信號的特征提取和不等長語音匹配問題；同時提出了矢量量化(vq)和隱馬爾可夫模型(hmm)理論。 80年代語音識別研究進一步走向深入：hmm模型和人工神經(jīng)網(wǎng)絡(ann)在語音識別中成功應用。1988年，fulee kai等用vq/i-imm方法實現(xiàn)了997個詞匯的非特定人連續(xù)語音識別系統(tǒng)sphinx。這是世界上第1個高性能的非特定人、大詞匯量、連續(xù)語音識別系統(tǒng)。 進入90年代后，語音識別技術進一步成熟，并開始向市場提供產(chǎn)品。許多發(fā)達國家如美國、日本、韓國以及ibm、apple、at&t、microsoft等公司都為語音識別系統(tǒng)的實用化開發(fā)研究投以巨資。同時漢語語音識別也越來越受到重

5、視。ibm開發(fā)的 viavoice和microsoft開發(fā)的中文識別引擎都具有了相當高的漢語語音識別水平。 進入21世紀，隨著消費類電子產(chǎn)品的普及，嵌入式語音處理技術發(fā)展迅速2。基于語音識別芯片的嵌入式產(chǎn)品也越來越多，如sensory公司的rsc系列語音識別芯片、infineon公司的unispeech和unilite語音芯片等，這些芯片在嵌入式硬件開發(fā)中得到了廣泛的應用。在軟件上，目前比較成功的語音識別軟件有:nuance、ibm的viavoice和microsoft的sapi以及開源軟件htk，這些軟件都是面向非特定人、大詞匯量的連續(xù)語音識別系統(tǒng)。四國內(nèi)研究歷史及現(xiàn)狀我國語音識別研究工作起

6、步于五十年代，但近年來發(fā)展很快。研究水平也從實驗室逐步走向實用。從1987年開始執(zhí)行國家863計劃后，國家863智 能計算機專家組為語音識別技術研究專門立項，每兩年滾動一次。我國語音識別技術的研究水平已經(jīng)基本上與國外同步，在漢語語音識別技術上還有自己的特點與優(yōu)勢，并達到國際先進水平。中科院自動化所、聲學所、清華大學、北京大學、哈爾濱工業(yè)大學、上海交通大學、中國科技大學、北京郵電大學、華中科技大學等科研機構都有實驗室進行過語音識別方面的研究，其中具有代表性的研究單位為清華大學電子工程系與中科院自動化研究所模式識別國家重點實驗室。電子工程系語音技術與專用芯片設計課題組，研發(fā)的非特定人漢語數(shù)碼串連續(xù)

7、語音識別系統(tǒng)的識別精度，達到948（不定長數(shù)字串）和968（定長數(shù)字 串）。在有5的拒識率情況下，系統(tǒng)識別率可以達到969（不定長數(shù)字串）和987（定長數(shù)字串），這是目前國際最好的識別結果之一，其性能已經(jīng) 接近實用水平。研發(fā)的5000詞郵包校核非特定人連續(xù)語音識別系統(tǒng)的識別率達到9873，前三選識別率達9996；并且可以識別普通話與四川話兩 種語言，達到實用要求。2000年7月在北京自然博物館新開設的動物展館中展出的具有語音識別口語對話功能“熊貓”，采用了我們研發(fā)非特定人連續(xù)語音識別系統(tǒng)，在展覽館 這樣高噪聲的環(huán)境下，該識別系統(tǒng)的識別率也超過了98，達到實用要求。通過該系統(tǒng)觀眾與“熊貓”自然對

8、話可以了解熊貓的生活習慣、生理結構等信息，其形 式生動、活潑，吸引了大量的學生與參觀者。 五、語音識別的幾種基本方法一般來說,語音識別的方法有三種：基于聲道模型和語音知識的方法、模板匹配的方法以及利用人工神經(jīng)網(wǎng)絡的方法。 (1)基于語音學和聲學的方法該方法起步較早，在語音識別技術提出的開始，就有了這方面的研究，但由于其模型及語音知識過于復雜，現(xiàn)階段沒有達到實用的階段。 通常認為常用語言中有有限個不同的語音基元，而且可以通過其語音信號的頻域或時域特性來區(qū)分。這樣該方法分為兩步實現(xiàn)： 第一步，分段和標號 把語音信號按時間分成離散的段，每段對應一個或幾個語音基元的聲學特性。然后根據(jù)相應聲學特性對每個

9、分段給出相近的語音標號 第二步，得到詞序列 根據(jù)第一步所得語音標號序列得到一個語音基元網(wǎng)格，從詞典得到有效的詞序列，也可結合句子的文法和語義同時進行。 (2)模板匹配的方法模板匹配的方法發(fā)展比較成熟，目前已達到了實用階段。在模板匹配方法中，要經(jīng)過四個步驟：特征提取、模板訓練、模板分類、判決。常用的技術有三種：動態(tài)時間規(guī)整(dtw)、隱馬爾可夫（hmm）理論、矢量量化（vq）技術。 1、動態(tài)時間規(guī)整(dtw) 語音信號的端點檢測是進行語音識別中的一個基本步驟，它是特征訓練和識別的基礎。所謂端點檢測就是在語音信號中的各種段落(如音素、音節(jié)、詞素)的始點和終點的位置，從語音信號中排除無聲段。在早期，

10、進行端點檢測的主要依據(jù)是能量、振幅和過零率。但效果往往不明顯。60年代日本學者itakura提出了動態(tài)時間規(guī)整算法(dtw：dynamictimewarping)。算法的思想就是把未知量均勻的升長或縮短,直到與參考模式的長度一致。在這一過程中，未知單詞的時間軸要不均勻地扭曲或彎折，以使其特征與模型特征對正。 2、隱馬爾可夫法(hmm) 隱馬爾可夫法(hmm)是70年代引入語音識別理論的，它的出現(xiàn)使得自然語音識別系統(tǒng)取得了實質(zhì)性的突破。hmm方法現(xiàn)已成為語音識別的主流技術，目前大多數(shù)大詞匯量、連續(xù)語音的非特定人語音識別系統(tǒng)都是基于hmm模型的。hmm是對語音信號的時間序列結構建立統(tǒng)計模型，將之看

11、作一個數(shù)學上的雙重隨機過程：一個是用具有有限狀態(tài)數(shù)的markov鏈來模擬語音信號統(tǒng)計特性變化的隱含的隨機過程，另一個是與markov鏈的每一個狀態(tài)相關聯(lián)的觀測序列的隨機過程。前者通過后者表現(xiàn)出來，但前者的具體參數(shù)是不可測的。人的言語過程實際上就是一個雙重隨機過程，語音信號本身是一個可觀測的時變序列，是由大腦根據(jù)語法知識和言語需要(不可觀測的狀態(tài))發(fā)出的音素的參數(shù)流。可見hmm合理地模仿了這一過程，很好地描述了語音信號的整體非平穩(wěn)性和局部平穩(wěn)性,是較為理想的一種語音模型。 3、矢量量化(vq) 矢量量化(vectorquantization)是一種重要的信號壓縮方法。與hmm相比,矢量量化主要適

12、用于小詞匯量、孤立詞的語音識別中。其過程是：將語音信號波形的k個樣點的每一幀，或有k個參數(shù)的每一參數(shù)幀，構成k維空間中的一個矢量，然后對矢量進行量化。量化時，將k維無限空間劃分為m個區(qū)域邊界，然后將輸入矢量與這些邊界進行比較，并被量化為“距離”最小的區(qū)域邊界的中心矢量值。矢量量化器的設計就是從大量信號樣本中訓練出好的碼書，從實際效果出發(fā)尋找到好的失真測度定義公式，設計出最佳的矢量量化系統(tǒng)，用最少的搜索和計算失真的運算量，實現(xiàn)最大可能的平均信噪比。 核心思想可以這樣理解：如果一個碼書是為某一特定的信源而優(yōu)化設計的，那么由這一信息源產(chǎn)生的信號與該碼書的平均量化失真就應小于其他信息的信號與該碼書的平

13、均量化失真，也就是說編碼器本身存在區(qū)分能力。 在實際的應用過程中，人們還研究了多種降低復雜度的方法，這些方法大致可以分為兩類：無記憶的矢量量化和有記憶的矢量量化。無記憶的矢量量化包括樹形搜索的矢量量化和多級矢量量化。 （3）神經(jīng)網(wǎng)絡的方法利用人工神經(jīng)網(wǎng)絡的方法是80年代末期提出的一種新的語音識別方法。人工神經(jīng)網(wǎng)絡(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)活動的原理，具有自適應性、并行性、魯棒性、容錯性和學習特性，其強的分類能力和輸入-輸出映射能力在語音識別中都很有吸引力。但由于存在訓練、識別時間太長的缺點，目前仍處于實驗探索階段。 由于ann不能很好的描述語音信號的時間動態(tài)特

14、性，所以常把ann與傳統(tǒng)識別方法結合，分別利用各自優(yōu)點來進行語音識別。 六、語音識別系統(tǒng)的結構一個完整的基于統(tǒng)計的語音識別系統(tǒng)可大致分為三部分： (1)語音信號預處理與特征提取; (2)聲學模型與模式匹配; (3)語言模型與語言處理、 （1）語音信號預處理與特征提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（句）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

15、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。 語音識別一個根本的問題是合理的選用特征。特征參數(shù)提取的目的

16、是對語音信號進行分析處理，去掉與語音識別無關的冗余信息，獲得影響語音識別的重要信息，同時對語音信號進行壓縮。在實際應用中，語音信號的壓縮率介于10-100之間。語音信號包含了大量各種不同的信息，提取哪些信息，用哪種方式提取，需要綜合考慮各方面的因素，如成本，性能，響應時間，計算量等。非特定人語音識別系統(tǒng)一般側重提取反映語義的特征參數(shù)，盡量去除說話人的個人信息；而特定人語音識別系統(tǒng)則希望在提取反映語義的特征參數(shù)的同時，盡量也包含說話人的個人信息。 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

17、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。從目前使用的情況來看，梅爾刻度式倒頻譜參數(shù)已逐漸取代原本常用的線性預測編碼導出的倒頻譜參數(shù)，原因是它考慮了人類發(fā)聲與接收聲音的特性，具有更好的魯棒性（robustness）。 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。 （2）聲學模型與模式匹配聲學模型通常是將獲取的語音特征使用訓練算法進行訓練后產(chǎn)生。在識別時將輸入的語音特征

18、同聲學模型（模式）進行匹配與比較，得到最佳的識別結果。 聲學模型是識別系統(tǒng)的底層模型，并且是語音識別系統(tǒng)中最關鍵的一部分。聲學模型的目的是提供一種有效的方法計算語音的特征矢量序列和每個發(fā)音模板之間的距離。聲學模型的設計和語言發(fā)音特點密切相關。聲學模型單元大?。ㄗ职l(fā)音模型、半音節(jié)模型或音素模型）對語音訓練數(shù)據(jù)量大小、系統(tǒng)識別率，以及靈活性有較大的影響。必須根據(jù)不同語言的特點、識別系統(tǒng)詞匯量的大小決定識別單元的大小。 以漢語為例： 漢語按音素的發(fā)音特征分類分為輔音、單元音、復元音、復鼻尾音四種，按音節(jié)結構分類為聲母和韻母。并且由音素構成聲母或韻母。有時，將含有聲調(diào)的韻母稱為調(diào)母。由單個調(diào)母或由聲母

19、與調(diào)母拼音成為音節(jié)。漢語的一個音節(jié)就是漢語一個字的音，即音節(jié)字。由音節(jié)字構成詞，最后再由詞構成句子。 漢語聲母共有22個，其中包括零聲母，韻母共有38個。按音素分類，漢語輔音共有22個，單元音13個，復元音13個，復鼻尾音16個。 目前常用的聲學模型基元為聲韻母、音節(jié)或詞，根據(jù)實現(xiàn)目的不同來選取不同的基元。漢語加上語氣詞共有412個音節(jié)，包括輕音字，共有1282個有調(diào)音節(jié)字，所以當在小詞匯表孤立詞語音識別時常選用詞作為基元，在大詞匯表語音識別時常采用音節(jié)或聲韻母建模，而在連續(xù)語音識別時，由于協(xié)同發(fā)音的影響，常采用聲韻母建模。 基于統(tǒng)計的語音識別模型常用的就是hmm模型(n,m,a,b)，涉及到

20、hmm模型的相關理論包括模型的結構選取、模型的初始化、模型參數(shù)的重估以及相應的識別算法等。 （3）語言模型與語言處理語言模型包括由識別語音命令構成的語法網(wǎng)絡或由統(tǒng)計方法構成的語言模型，語言處理可以進行語法、語義分析。 語言模型對中、大詞匯量的語音識別系統(tǒng)特別重要。當分類發(fā)生錯誤時可以根據(jù)語言學模型、語法結構、語義學進行判斷糾正，特別是一些同音字則必須通過上下文結構才能確定詞義。語言學理論包括語義結構、語法規(guī)則、語言的數(shù)學描述模型等有關方面。目前比較成功的語言模型通常是采用統(tǒng)計語法的語言模型與基于規(guī)則語法結構命令語言模型。語法結構可以限定不同詞之間的相互連接關系，減少了識別系統(tǒng)的搜索空間，這有利

21、于提高系統(tǒng)的識別。七突出成果 近幾年來，特別是2009年以來，借助機器學習領域深度學習研究的發(fā)展，以及大數(shù)據(jù)語料的積累，語音識別技術得到突飛猛進的發(fā)展。1、技術新發(fā)展1）將機器學習領域深度學習研究引入到語音識別聲學模型訓練，使用帶rbm預訓練的多層神經(jīng)網(wǎng)絡，極大提高了聲學模型的準確率。在此方面，微軟公司的研究人員率先取得了突破性進展，他們使用深層神經(jīng)網(wǎng)絡模型（dnn）后，語音識別錯誤率降低了30%，是近20年來語音識別技術方面最快的進步。2）目前大多主流的語音識別解碼器已經(jīng)采用基于有限狀態(tài)機（wfst）的解碼網(wǎng)絡，該解碼網(wǎng)絡可以把語言模型、詞典和聲學共享音字集統(tǒng)一集成為一個大的解碼網(wǎng)絡，大大提

22、高了解碼的速度，為語音識別的實時應用提供了基礎。3）隨著互聯(lián)網(wǎng)的快速發(fā)展，以及手機等移動終端的普及應用，目前可以從多個渠道獲取大量文本或語音方面的語料，這為語音識別中的語言模型和聲學模型的訓練提供了豐富的資源，使得構建通用大規(guī)模語言模型和聲學模型成為可能。在語音識別中，訓練數(shù)據(jù)的匹配和豐富性是推動系統(tǒng)性能提升的最重要因素之一，但是語料的標注和分析需要長期的積累和沉淀，隨著大數(shù)據(jù)時代的來臨，大規(guī)模語料資源的積累將提到戰(zhàn)略高度。2、技術新應用近期，語音識別在移動終端上的應用最為火熱，語音對話機器人、語音助手、互動工具等層出不窮，許多互聯(lián)網(wǎng)公司紛紛投入人力、物力和財力展開此方面的研究和應用，目的是通

23、過語音交互的新穎和便利模式迅速占領客戶群。目前，國外的應用一直以蘋果的siri為龍頭。而國內(nèi)方面，科大訊飛、云知聲、盛大、捷通華聲、搜狗語音助手、紫冬口譯、百度語音等系統(tǒng)都采用了最新的語音識別技術，市面上其他相關的產(chǎn)品也直接或間接嵌入了類似的技術。八語音識別主要有以下五個問題：對自然語言的識別和理解。首先必須將連續(xù)的講話分解為詞、音素等單位，其次要建立一個理解語義的規(guī)則。語音信息量大。語音模式不僅對不同的說話人不同，對同一說話人也是不同的，例如，一個說話人在隨意說話和認真說話時的語音信息是不同的。一個人的說話方式隨著時間變化。語音的模糊性。說話者在講話時，不同的詞可能聽起來是相似的。這在英語和

24、漢語中常見。單個字母或詞、字的語音特性受上下文的影響，以致改變了重音、音調(diào)、音量和發(fā)音速度等。環(huán)境噪聲和干擾對語音識別有嚴重影響，致使識別率低。十存在問題的解決方法。語音識別系統(tǒng)的性能受許多因素的影響，包括不同的說話人、說話方式、環(huán)境噪音、傳輸信道等等。提高系統(tǒng)魯棒性，是要提高系統(tǒng)克服這些因素影響的能力，使系統(tǒng)在不同的應用環(huán)境、條件下性能穩(wěn)定；采用自適應的方法，根據(jù)不同的影響來源，自動地、有針對性地對系統(tǒng)進行調(diào)整，在使用中逐步提高性能。以下對影響系統(tǒng)性能的不同因素分別介紹解決辦法。解決辦法按針對語音特征的方法（以下稱特征方法）和模型調(diào)整的方法（以下稱模型方法）分為兩類。前者需要尋找更好的、高魯棒性的特征參數(shù)，或是在現(xiàn)有的特征參數(shù)基礎上，加入一些特定的處理方法。后者是利用少量的自適應語料來修正或變換原有的說話人無關（si）模型，從而使其成為說話人自適應（sa）模型。說話人自適應的特征方法有說話人規(guī)一化和說話人子空間法，模型方法有貝葉斯方法、變換法和模型合并法。語音系統(tǒng)中的噪聲，包括環(huán)境噪聲和錄音過程加入的電子噪聲。提高系統(tǒng)魯棒性的特征方法包括語音增強和尋找對噪聲干擾不敏感的特征，模型方法有并行模型組合pmc方法和在訓練中人為加入噪聲。信道畸變包括錄音時話筒的距離、使用不同靈敏度的話筒、不同增益的前置放大和不同的濾波器設