語音識別技術(shù)介紹PPT課件

1、 讓機(jī)器聽懂人類的語音，這是人們長期以來夢寐以求的事情。伴隨計(jì)算機(jī)技術(shù)發(fā)展，語音識別己成為信息產(chǎn)業(yè)領(lǐng)域的標(biāo)志性技術(shù)，在人機(jī)交互應(yīng)用中逐漸進(jìn)入我們?nèi)粘５纳?，并迅速發(fā)展成為“改變未來人類生活方式廳的關(guān)鍵技術(shù)之一。 語音識別技術(shù)以語音信號為研究對象，是語音信號處理的一個(gè)重要研究方向 。其最終目標(biāo)是實(shí)現(xiàn)人與機(jī)器進(jìn)行自然語言通信。發(fā)展和現(xiàn)狀：發(fā)展和現(xiàn)狀： 20世紀(jì)50年代，AT&T Bell(貝爾)研究所成功研制了世界上第一個(gè)能識別10個(gè)英文數(shù)字的語音識別系統(tǒng)一Audry系統(tǒng)，這標(biāo)志著語音識別研究的開始。 60年代計(jì)算機(jī)的應(yīng)用推動了語音識別的發(fā)展。這一時(shí)期的重要成果是動態(tài)規(guī)劃(Dynamic

2、Programming, DP)和線性預(yù)測分析(Linear Predictive)技術(shù)。其中后者較好的解決了語音信號產(chǎn)生的模型問題，對語音識別產(chǎn)生了深遠(yuǎn)的影響。 70年代語音識別領(lǐng)域取得了突破。在理論上，LP 技術(shù)得到進(jìn)一步發(fā)展，動態(tài)時(shí)間規(guī)整技術(shù)(DTW)的基本成熟，特別是提出了矢量量化(VQ)和隱馬爾可夫模型(HMM)理論。在實(shí)踐上，小詞匯量孤立詞的識別方面取得了實(shí)質(zhì)性的進(jìn)展 ，實(shí)現(xiàn)了基于線性預(yù)測倒譜和DTW技術(shù)的特定人孤立語音識別系統(tǒng)。這一時(shí)期的語音識別方法基本上是采用傳統(tǒng)的模式識別策略。 80年代語音識別研究進(jìn)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(luò)(ANN)在語音識別中的

3、成功應(yīng)用。HMM模型的廣泛應(yīng)用應(yīng)歸功于AT&T Bel實(shí)驗(yàn)室的Rabiner等科學(xué)家的努力，他們把HMM純數(shù)學(xué)模型工程化，從而為更多研究者了解和認(rèn)識。研究的重點(diǎn)逐漸轉(zhuǎn)向大詞匯量、非特定人連續(xù)語音識別。 90年代，隨著多媒體時(shí)代的來臨，在語音識別技術(shù)的應(yīng)用及產(chǎn)品化方面出現(xiàn)了很大的進(jìn)展。許多發(fā)達(dá)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(shí)用化開發(fā)投以巨資。語音識別技術(shù)實(shí)用化進(jìn)程大大加速，并出現(xiàn)了許多實(shí)用化產(chǎn)品。 IBM公司率先推出的漢語ViaVoice語音識別系統(tǒng)，帶有一個(gè)32,000詞的基本詞匯表，可以擴(kuò)展到65,000詞，平均識別

4、率可以達(dá)到95%，可以識別上海話、廣東話和四川話等地方口音，是目前具有代表性的漢語連續(xù)語音識別系統(tǒng)。 21世紀(jì)語音識別技術(shù)的應(yīng)用及產(chǎn)品化方面進(jìn)一步發(fā)展。在語音識別產(chǎn)品方面，各大公司紛紛推出自己產(chǎn)品。目前世界上最先進(jìn)的語音識別軟件，既不是微軟生產(chǎn)的，也非IBM制造，它的名字叫做Naturally Speaking，出自于Nuance Communications公司。Naturally Speaking己經(jīng)得到了大多數(shù)用戶的認(rèn)可。用戶對著麥克風(fēng)說話，屏幕上就顯示出說話的內(nèi)容，很容易識別和糾正錯誤.久而久之，該軟件就會適應(yīng)用戶的說話風(fēng)格。 我國語音識別研究工作起步于五十年代，但近年來發(fā)展很快，研究

5、水平也從實(shí)驗(yàn)室逐步走向?qū)嵱?。?987年開始執(zhí)行國家863計(jì)劃后，國家863智能計(jì)算機(jī)專家組為語音識別技術(shù)研究專門立項(xiàng)，每兩年滾動一次。我國語音識別技術(shù)的研究水平己經(jīng)基本上與國外同步，在漢語語音識別技術(shù)上還有自己的特點(diǎn)與優(yōu)勢，并達(dá)到國際先進(jìn)水平。其中，具有代表性的研究單位是清華大學(xué)電子工程系與中科院自動化研究所模式識別國家重點(diǎn)實(shí)驗(yàn)室。 由清華大學(xué)電子工程系語音技術(shù)與專用芯片設(shè)計(jì)課題組研發(fā)的非特定人漢語數(shù)碼串連續(xù)語音識別系統(tǒng)，識別精度達(dá)到了94.8%(不定長數(shù)字串)和96.8%(定長數(shù)字串).語音識別系統(tǒng)分類：語音識別系統(tǒng)分類： 從說話者與識別系統(tǒng)的相關(guān)性分: (1)特定人語音識別系統(tǒng)：僅考慮對

6、于專人的話音進(jìn)行識別，與說話的語種沒有關(guān)系； (2)非特定人語音識別系統(tǒng)：識別的語音與人無關(guān)，通常要用大量不同人的語音數(shù)據(jù)庫對識別系統(tǒng)進(jìn)行學(xué)習(xí)，識別的語言取決于采用的訓(xùn)練語音庫； (3)多人的識別系統(tǒng)：通常能識別一組人的語音該系統(tǒng)通常要求對該組人的語音進(jìn)行學(xué)習(xí)，通?？梢宰R別三到五個(gè)人的語音。 從說話的方式分: (1)孤立詞語音識別系統(tǒng):其輸入系統(tǒng)要求輸入每個(gè)詞后要停頓; (2)連接詞語音識別系統(tǒng):其輸入系統(tǒng)要求對每個(gè)詞都清楚發(fā)音,開始出現(xiàn)一些連音現(xiàn)象; (3) 連續(xù)語音識別系統(tǒng):連續(xù)語音輸入自然流利的語音，會出現(xiàn)大量的連音和變音。 另外從識別系統(tǒng)的詞匯量大小分:小詞匯量語音識別系統(tǒng)（幾十個(gè)詞）

7、；中等詞匯量語音識別系統(tǒng)（幾百到上千個(gè)詞）；大詞匯量語音識別系統(tǒng)（幾千到幾萬個(gè)詞）。語音識別的基本方法語音識別的基本方法: : 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(luò)的方法。(1)語音學(xué)和聲學(xué)的方法 該方法起步較早，在語音識別技術(shù)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(fù)雜，現(xiàn)階段沒有達(dá)到實(shí)用的階段.(2)模板匹配的方法 模板匹配的方法發(fā)展比較成熟，目前己達(dá)到了實(shí)用階段。常用的技術(shù)有三種:動態(tài)時(shí)間規(guī)整(DTW)、隱馬爾可夫(HMM)理論、矢量量化(VQ)技術(shù)。(3)神經(jīng)網(wǎng)絡(luò)的方法 基于ANN的語音識別系統(tǒng)通常由神經(jīng)元、

8、訓(xùn)練算法及網(wǎng)絡(luò)結(jié)構(gòu)等三大要素構(gòu)成。由于基于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練識別算法由于實(shí)現(xiàn)起來較復(fù)雜，目前仍只是處于實(shí)驗(yàn)室研究階段。 目前語音識別的研究主流是大詞匯量的非特定人的連續(xù)語音系統(tǒng)，但是事實(shí)上，對于許多應(yīng)用來說，一個(gè)語音識別系統(tǒng)只要一組詞匯或命令，它就可能為用戶提供一個(gè)有效的工具，簡單有效的孤立詞特定人語音識別系統(tǒng)就能滿足要求。正是孤立詞特定人語音識別系統(tǒng)廣闊的應(yīng)用前景以及優(yōu)越性促使我們繼續(xù)對它進(jìn)行研究 目前市場上出現(xiàn)的語音識別器大多數(shù)是特定人孤立單詞語音識別系統(tǒng)。孤立詞語音識別系統(tǒng)中的難點(diǎn)問題：孤立詞語音識別系統(tǒng)中的難點(diǎn)問題： (1) 語音信號的多變性 語音信號是非平穩(wěn)隨機(jī)信號，不但不同發(fā)音者發(fā)音之

9、間存在重大的差異，即使同一人同一語音的不同次發(fā)音，也存在很大差異。 (2) 噪聲影響 當(dāng)實(shí)際環(huán)境中有噪聲存在時(shí)，容易造成訓(xùn)練與測試環(huán)境不匹配導(dǎo)致語音識別系統(tǒng)性能急劇下降。 (3) 端點(diǎn)檢測 統(tǒng)計(jì)表明語音識別系統(tǒng)一半以上的識別錯誤來自端點(diǎn)檢測錯誤。在安靜環(huán)境下有聲段和無聲段時(shí)能量存在很大差異，由此判斷語音的起點(diǎn)。但是當(dāng)噪聲的能量和語音信號的能量接近時(shí)就可能造成端點(diǎn)檢測的誤差從而導(dǎo)致識別結(jié)果錯誤。 (4) 詞與詞的特征空間混疊 語音識別的常規(guī)方法是利用語音信號的短時(shí)周期特性將語音時(shí)域采樣信號分為若干段，計(jì)算出每一段的特征矢量序列作為識別參數(shù)。但是很多不同的詞語的矢量序列在特征空間中存在混疊現(xiàn)象，甚

10、至有些不同詞語的混疊程度會超過同一詞語的不同次發(fā)音，從而降低識別率。語音信號產(chǎn)生模型語音信號產(chǎn)生模型 語音是由空氣流激勵聲道產(chǎn)生的。對于濁音、清音和爆破音三種不同類型的音來說，激勵源是不同的。濁音激勵源是位于聲門處的準(zhǔn)周期脈沖序列，清音的激勵源是位于聲道的某個(gè)收縮區(qū)的空氣湍流（類似于噪聲），而爆破音的激勵源是位于聲道某個(gè)閉合點(diǎn)處建立起來的氣壓及其突然釋放。 語音生成系統(tǒng)分為三個(gè)部分，在聲門(聲帶)以下，稱為聲門子系統(tǒng)，它產(chǎn)生激勵振動，是激勵系統(tǒng):從聲門到嘴唇的呼氣通道是聲道系統(tǒng):語音從嘴唇輻射出去，所以嘴唇以外是輻射系統(tǒng)。因此，完整的語音信號的數(shù)學(xué)模型可以用三個(gè)子模型:激勵模型、聲道模型和輻射

11、模型的串聯(lián)表示。語音信號產(chǎn)生的時(shí)域模型語音信號產(chǎn)生的時(shí)域模型語音信號分析基礎(chǔ)語音信號分析基礎(chǔ) 語音信號的分析主要有時(shí)域分析和頻域分析兩種，其他還有倒譜域、語譜分析等。 語音信號是一種典型的非平穩(wěn)信號。語音的形成過程與發(fā)音器官的運(yùn)動密切相關(guān)，這種物理運(yùn)動比起聲音振動速度來講要緩慢得多，因此語音信號可假定為短時(shí)平穩(wěn)的，其頻譜特性和某些物理參數(shù)在10-30ms時(shí)間段內(nèi)是近似不變的，對語音信號進(jìn)行處理都是基于這個(gè)假設(shè) 語音信號的時(shí)域分析參數(shù)主要有短時(shí)能量、短時(shí)平均幅度、短時(shí)過零率等，這些參數(shù)主要用在語音端點(diǎn)檢測中。頻域分析參數(shù)主要有基音頻率、濾波器組參數(shù)、線性預(yù)測系數(shù)(LPC)、線性預(yù)測倒譜系數(shù)(Li

12、near Prediction Cepstrum Coefficient, LPCC)、線譜對參數(shù)(Linear Spectrum Pair, LSP),MEL頻率倒譜系數(shù)(Mel-Frequency Cepstrum Coefficient, MFCC)等.語音識別系統(tǒng)基本構(gòu)成語音識別系統(tǒng)基本構(gòu)成預(yù)處理預(yù)處理 預(yù)處理部分包括語音信號的采樣、反混疊濾波、語音增強(qiáng)，去除聲門激勵和口唇輻射的影響以及噪聲影響等，預(yù)處理最重要的步驟是端點(diǎn)檢測。特征提取特征提取 特征提取部分的作用是從語音信號波形中提取一組或幾組能夠描述語音信號特征的參數(shù)，如平均能量、過零數(shù)、共振峰、倒譜、線性預(yù)測系數(shù)等，以便訓(xùn)練和識別

13、。參數(shù)的選擇直接關(guān)系著語音識別系統(tǒng)識別率的高低。訓(xùn)練訓(xùn)練 訓(xùn)練是建立模式庫的必備過程，詞表中每個(gè)詞對應(yīng)一個(gè)參考模式，它由這個(gè)詞重復(fù)發(fā)音多遍，再經(jīng)特征提取和某種訓(xùn)練中得到。模式匹配模式匹配 模式匹配部分是整個(gè)系統(tǒng)的核心，其作用是按照一定的準(zhǔn)則求取待測語音特征參數(shù)和語音信息與模式庫中相應(yīng)模板之間的失真測度，最匹配的就是識別結(jié)果。語音信號的數(shù)字化和預(yù)處理語音信號的數(shù)字化和預(yù)處理 1 1、語音信號數(shù)字化 要了分析說話人的語音，就要將話筒中傳來的語音信號轉(zhuǎn)換成計(jì)算機(jī)所能處理的數(shù)字信號。通過對語音信號特性的分析表明，濁音語音的頻譜一般在4KHz以上便迅速下降。而清音語音信號的頻譜在4KHz以上頻段反而呈上

14、升趨勢，甚至超過了8KHz以后仍沒有明顯下降的苗頭。實(shí)驗(yàn)表明語音清晰度和可懂度有明顯影響的成分最高頻率約為5.7KHz。而語音信號本身的冗余度又比較大，少數(shù)輔音清晰度下降并不明顯影響語句的可懂度。因此語音識別時(shí)常用的采樣頻率為10KHz或16KHz。 2、預(yù)加重 為了消除聲門激勵和口鼻輻射的影響，需要對語音信號作預(yù)加重理。它的目的在于消除低頻干擾尤其是50Hz的工作頻率干擾，將對語音識別更為有用的高頻部分的頻譜進(jìn)行提升。使信號的頻譜變的平坦，保持在低頻到高頻的整個(gè)頻帶中，能用同樣的信噪比求頻譜， 以便于頻譜分析。 預(yù)加重?cái)?shù)字濾波器一般是一階的數(shù)字濾彼器： ，其中u的取值一般介于0.93和0.9

15、8之間。11)(zzH 3 3、語音分幀 語音信號常?？杉俣槎虝r(shí)平穩(wěn)的，即在10-20ms這樣的時(shí)間段內(nèi)，其頻譜特性和某些物理特征參量可近似地看作是不變的。這樣就可以采用平穩(wěn)過程的分析處理方法來處理了。這種處理的基本方法是將語音信號分隔為一些短段即分幀再加以處理。分幀可以采用連續(xù)分段的方法，也可采用交疊分段的方法。一般采用交疊分段的方法，即幀與幀之間有交疊，交疊的目的是使幀與幀之間平滑過渡，保持其連續(xù)性。語音信號處理的幀長一般取20ms)()()(nwnsnsw10, 1)(Nnnw10),12cos(46.054.0)(NnNnnw10),12cos(1 (5 .0)(NnNnnw矩形窗的

16、主瓣寬度最小，旁瓣高度最高，會導(dǎo)致泄漏現(xiàn)象，漢明窗的主瓣最寬，旁瓣高度最低，可以有效的克服泄漏現(xiàn)象，具有更平滑的低通特性，應(yīng)用更廣泛。語音信號的時(shí)域分析語音信號的時(shí)域分析 1 1、短時(shí)平均能量 短時(shí)平均能量反映了語音振幅或能量隨著時(shí)間緩慢變化的規(guī)律?？梢詮恼Z音中區(qū)別出濁音來，因?yàn)闈嵋魰r(shí)短時(shí)平均能量的值要比清音時(shí)短時(shí)平均能量的值大很多。其計(jì)算公式如下： 2、短時(shí)過零率 短時(shí)過零率表示一幀語音中語音信號波形穿過橫軸的次數(shù)。對于連續(xù)信號，過零率意味著時(shí)域波形通過時(shí)間軸;在離散時(shí)間信號情況下，當(dāng)相鄰的兩次抽樣具有不同的代數(shù)符號時(shí)就稱為發(fā)生了過零.應(yīng)用短時(shí)平均過零率可以得到譜特性的粗略估計(jì)。短時(shí)平均過零

17、率的定義為:濁音時(shí)能量集中于較低頻率段內(nèi)，具有較低的過零率，而清音時(shí)能量集中于較高頻率段內(nèi)，具有較高的過零率。)(12mnSEmNmnwm100)1()(21NnwwnSSgnnSSgnZ 3 3、端點(diǎn)檢測 端點(diǎn)檢測的目的就是從連續(xù)的聲音中間檢測出每一段語音的起始點(diǎn)和終止點(diǎn)，從而達(dá)到節(jié)省系統(tǒng)資源，方便實(shí)時(shí)分析的效果。此外，端點(diǎn)檢測的好壞還將直接影響孤立詞識別率的高低。 雙門限前端檢測算法是經(jīng)典的起止點(diǎn)檢測算法，這種端點(diǎn)檢測技術(shù)主要利用短時(shí)過零率特征和每幀的平均幅值特征來判斷語音信號的起止點(diǎn)，采用矩形窗進(jìn)行分幀。端點(diǎn)檢測效果圖端點(diǎn)檢測效果圖語音信號的特征參數(shù)提取語音信號的特征參數(shù)提取提取特征參數(shù)

18、滿足的要求： 1、能有效地代表語音特征，具有很好的區(qū)分性 2、參數(shù)間有良好的獨(dú)立性 3、特征參數(shù)要計(jì)算方便，要考慮到語音識別的實(shí)時(shí)實(shí)現(xiàn) 常用的特征參數(shù)包括： 線性預(yù)測系數(shù)(LPC)； 線性預(yù)測倒譜系數(shù)(Linear Prediction Cepstrum Coefficient, LPCC)； MEL頻率倒譜系數(shù)(Mel-Frequency Cepstrum Coefficient, MFCC)。 倒譜介紹倒譜介紹 倒譜定義為時(shí)間序列的z變換的模的對數(shù)的逆z變換： 倒譜分析的基礎(chǔ)是假設(shè)語音是激勵函數(shù)與聲道沖激響應(yīng)的卷積。語音的倒譜實(shí)際上是將語音的頻譜（短時(shí)譜）取對數(shù)后再進(jìn)行逆傅里葉變換（實(shí)際上

19、代之以DFT）得到的。因此，聲道濾波器對于倒譜的貢獻(xiàn)將表現(xiàn)為=0附近的峰起；而周期性脈沖激勵對倒譜的貢獻(xiàn)將表現(xiàn)為具有同樣周期的沖擊 。)(ln)(1nxzznc線性預(yù)測系數(shù)線性預(yù)測系數(shù)(LPC)()(0lnxanxplplplllzazH111)(線性預(yù)測倒譜系數(shù)線性預(yù)測倒譜系數(shù)(LPCC) 通過線性預(yù)測得到全極點(diǎn)系統(tǒng)函數(shù)為： 倒譜定義為時(shí)間序列的z變換的模的對數(shù)的逆z變換。因此線性預(yù)測倒譜可表示為： LPCC系數(shù)主要是模擬人的發(fā)聲模型，未考慮人耳的聽覺特性， 它對元音有較好的描述能力，對輔音描述能力及抗噪性能比較差，其優(yōu)點(diǎn)是計(jì)算量小，易于實(shí)現(xiàn)。plllzazH111)()(ln)(1zHzn

20、hMEL頻率倒譜系數(shù)頻率倒譜系數(shù)MFCC MFCC參數(shù)是目前大多數(shù)語音識別系統(tǒng)中廣泛使用的特征參數(shù)，它是基于人耳的聽覺特性。人耳對聲音音調(diào)的感受與其頻率并不成線性關(guān)系。而Mel倒譜尺寸，則更符合人耳的聽覺特性。 Mel頻率尺度，它的值大體上對應(yīng)于實(shí)際頻率的對數(shù)分布關(guān)系。Mel頻率與實(shí)際頻率的具體關(guān)系可用下式表示: MFCC的計(jì)算流程可以簡單的概括為以下五個(gè)步驟： 1、分幀 2、DFT計(jì)算譜系數(shù) 3、對譜系數(shù)的幅值取log 4、將3中的結(jié)果轉(zhuǎn)化到Mel 頻標(biāo)下 5、做DCT變換 MFCC與基于線性預(yù)測的LPCC相比，其突出優(yōu)點(diǎn)是不依賴全極點(diǎn)語音產(chǎn)生模型的假定，因而在噪聲環(huán)境下表現(xiàn)出更強(qiáng)的魯棒性，在非特定人語音識別方面有利于減小因說話人不同的差異可能帶來的影響。不足之處是MFCC方法中多次用到FFT，故算法的復(fù)雜程度遠(yuǎn)大于LPCC方法。)700/1lg(*2595)(ffMelMel濾波器組模板訓(xùn)練方法模板訓(xùn)練方法 偶然性訓(xùn)練方法 每個(gè)單詞的每一遍讀音形成一個(gè)模板，在識別時(shí)，待識別語音特征矢量序列用特定的匹配算法分別求得與每個(gè)模板的累計(jì)失真，然后判別它屬于哪一類。 魯棒性訓(xùn)練方法 將每一個(gè)詞重復(fù)說多遍，直到得到一個(gè)一致性較好的特征矢量序列。最