語音識別技術(shù)論文

1、摘要：語音識別技術(shù)是一門涉及面很廣的交叉學(xué)科。隨著新理論的提出和應(yīng)用，語音識別 技術(shù)取得了很大的進(jìn)步，許多產(chǎn)品已經(jīng)得以實(shí)際的應(yīng)用，但在其進(jìn)一步的發(fā)展進(jìn)程中，還有 許多棘手的問題有待解決。關(guān)鍵詞：語音識別；動態(tài)時(shí)間規(guī)整算法；人工神經(jīng)元網(wǎng)絡(luò)1背景介紹語言是人類特有的功能,是人們思維最重要的寄托體，是人類交流最主要的途徑。語音 是語言的聲學(xué)表現(xiàn)，是人類交流信息最自然、最有效、最方便的手段。語言和語音與人類 社會科學(xué)文化發(fā)展緊密相連。語音識別技術(shù)是讓機(jī)器接收，識別和理解語音信號，并將其轉(zhuǎn)換成相應(yīng)的數(shù)字信號的 技術(shù)。它是一門交叉學(xué)科，涉及到語音語言學(xué)、數(shù)理統(tǒng)計(jì)、計(jì)算機(jī)、信號處理等一系列學(xué) 科。2發(fā)展歷史

2、1952年貝爾實(shí)驗(yàn)室的Davis等人研制成功了能識別十個(gè)英文數(shù)字發(fā)音的Audry系統(tǒng)， 標(biāo)志著語音識別技術(shù)研究工作開始。20世紀(jì)60年代計(jì)提出了動態(tài)規(guī)劃(Dynamic programming)和線性預(yù)測分析技術(shù)(Liner Predictive)等重要成果。20世紀(jì)70年代， 語音識別領(lǐng)域取得了突破。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)。20世紀(jì)80年代語音識別研究進(jìn)一步走向深入基于特定人孤立語音技術(shù)的系統(tǒng)研 制成功，隱馬爾可夫模型和人工神經(jīng)元網(wǎng)絡(luò)(Artificial Neural Network)在語音識別中的成 功應(yīng)用。進(jìn)入20世紀(jì)90年代后語音識別系統(tǒng)開始從實(shí)

3、驗(yàn)室走向?qū)嵱?。我國對語音識別的 研究開始于20世紀(jì)80年代，近年來發(fā)展迅速，并取得了一系列的成果。3具體應(yīng)用隨著計(jì)算機(jī)技術(shù)、模式識別等技術(shù)的發(fā)展，適應(yīng)不同場合的語音識別系統(tǒng)相繼被開發(fā) 出來，語音識別及處理技術(shù)已經(jīng)越來越突現(xiàn)出其強(qiáng)大的技術(shù)優(yōu)勢。近三十年來，語音識別 在計(jì)算機(jī)、信息處理、通信與電子系統(tǒng)、自動控制等領(lǐng)域的應(yīng)用越來越廣泛。在許多政府部門、商業(yè)機(jī)構(gòu)，語音識別技術(shù)的應(yīng)用，可免除大量操作人員的重復(fù)勞動， 既經(jīng)濟(jì)又方便。如：語音郵件、IP電話和IP傳真、電子商務(wù)、自動語音應(yīng)答系統(tǒng)、自動 語音信箱、基于IP的語音、數(shù)據(jù)、視頻的CTI系統(tǒng)、綜合語音、數(shù)據(jù)服務(wù)系統(tǒng)、自然語音 識別系統(tǒng)、專家咨詢信息服

4、務(wù)系統(tǒng)、尋呼服務(wù)、故障服務(wù)、秘書服務(wù)、多媒體綜合信息服 務(wù)、專業(yè)特別服務(wù)號(168自動信息服務(wù)系統(tǒng)，112、114、119等信息查詢系統(tǒng))等。許多 特定環(huán)境下，如工業(yè)控制方面，在一些工作環(huán)境惡劣、對人身有傷害的地方如地下、深水 及輻射、高溫等)或手工難以操作的地方，均可通過語音發(fā)出相應(yīng)的控制命令，讓設(shè)備完成 各種工作。當(dāng)今，語音識別產(chǎn)品不僅在人機(jī)交互中，占到的市場比例越來越大，而且在許多領(lǐng)域 都有了廣闊的應(yīng)用前景，在人們的社會生活中起著舉足輕重的作用。4語音識別系統(tǒng)原理語音識別一般分為兩個(gè)步驟：學(xué)習(xí)階段和識別階段。學(xué)習(xí)階段的任務(wù)是建立識別基本 單元的聲學(xué)模型以及語言模型。識別階段是將輸入的目標(biāo)

5、語音的特征參數(shù)和模型進(jìn)行比較， 得到識別結(jié)果。語音識別過程如圖所示。下面對該流程作簡單介紹：ritUJ-,仁畚數(shù)一一一I Q諾音堆到*國互I序：_ ft*,* *Q由魂、由|（1）語音采集設(shè)備如話筒、電話等將語音轉(zhuǎn)換成模擬信號。（2）數(shù)字化一般包括預(yù)濾波、采樣和A/D變換。該過程將模擬信號轉(zhuǎn)變成計(jì)算機(jī)能 處理的數(shù)字信號。（3）預(yù)處理一般包括預(yù)加重、加窗分幀。經(jīng)預(yù)處理后的信號被轉(zhuǎn)換成了幀序列的加 窗的短時(shí)信號。（4）參數(shù)分析是對短時(shí)信號進(jìn)行分析，提取語音特征參數(shù)的過程，如時(shí)域、頻域分 析，矢量量化等。（5）語音識別是目標(biāo)語音根據(jù)特征參數(shù)與模型庫中的參數(shù)進(jìn)行匹配，產(chǎn)生識別結(jié)果 的過程。一般有模板匹

6、配法、隨機(jī)模型法和神經(jīng)網(wǎng)絡(luò)等。（6）應(yīng)用程序根據(jù)識別結(jié)果產(chǎn)程預(yù)定動作。（7）該過程是語音模型的學(xué)習(xí)過程。5現(xiàn)有算法介紹語音識別常用的方法有：模板匹配法、人工神經(jīng)網(wǎng)絡(luò)法。模板匹配法是語音識別中常用的一種相似度計(jì)算方法。模板匹配法一般將語音 或單詞作為識別單元，一般適用于詞匯表較小的場合。在訓(xùn)練階段，對用戶語音進(jìn)行特征 提取和特征維數(shù)的壓縮，這個(gè)過程常用的方法是采用矢量量化(VQ)技術(shù)。然后采用聚類 方法或其他方法，針對每個(gè)模式類各產(chǎn)生一個(gè)或幾個(gè)模板。識別階段將待識別的語音模式 的特征參數(shù)與各模板進(jìn)行相似度的計(jì)算，將最高相似者作為識別結(jié)果。但由于用戶在不同 時(shí)刻發(fā)同一個(gè)音的時(shí)間長度有較大隨意性，所

7、以識別時(shí)必須對語音時(shí)間進(jìn)行伸縮處理。研 究表明，簡單的線性伸縮是不能滿足要求的。由日本學(xué)者板倉在70年代提出的動態(tài)時(shí)間 伸縮算法(DTW)很好的解決了這一問題。DTW算法能夠較好地解決小詞匯量、孤立詞 識別時(shí)說話速度不均勻的難題。DTW算法示意圖如圖所示。設(shè)測試的語音參數(shù)共有M幀矢量，而參考模板有N幀矢量，且M手N，則DTW就是 尋找一個(gè)時(shí)間歸整函數(shù)tn=f(tm)，它將測試矢量的時(shí)間軸tm非線性地映射到模板的時(shí)間 軸tn上，并使該函數(shù)滿足第k幀(k=1，2, . M)測試矢量I和第取)幀(f(k) = 1,2. N) 模板矢量J之間的距離測度之和最?。骸?邸出-1血史1一J六Q)at另外，在

8、實(shí)際識別系統(tǒng)中，語音的起點(diǎn)或終點(diǎn)由摩擦音構(gòu)成，環(huán)境噪聲也比較大，語 音的端點(diǎn)檢測會存在較大的誤差。DTW算法起點(diǎn)點(diǎn)可以固定在(tm,tn) = (1，1)，稱為固定 起點(diǎn)；也可以選擇在(1，2)、(2, 1)等點(diǎn)，稱為松馳起點(diǎn)。同樣，中止點(diǎn)可以選擇在(M,N) 點(diǎn)，稱為固定終點(diǎn)；也可以選擇在(N 1,M)、(N，M 1)等點(diǎn)，稱為松弛終點(diǎn)。松弛的 DTW算法的起始點(diǎn)從(1, 1)、(1, 2)、(2, 1)等點(diǎn)中選擇一最小值，終止點(diǎn)從(M,N)、 (M,N-1)、(M-1,N)等點(diǎn)中選擇一最小值，兩語音樣本之間的相互距離在相應(yīng)的點(diǎn)放松后選 擇一最小距離。松弛DTW可以克服由于端點(diǎn)檢測不精確引起

9、的誤差，但運(yùn)算量加大。人工神經(jīng)網(wǎng)絡(luò)法?，F(xiàn)實(shí)世界的語音信號會隨著許多特征如：說話人語速、語調(diào) 以及環(huán)境的變化而動態(tài)變化的，想要用傳統(tǒng)的基于模板的方法建立一個(gè)適應(yīng)動態(tài)變化的語 音識別系統(tǒng)是非常困難的。因此需要設(shè)計(jì)一個(gè)帶有自學(xué)習(xí)能力的自適應(yīng)識別系統(tǒng)，以便可 以適應(yīng)語音的動態(tài)變化。人工神經(jīng)網(wǎng)絡(luò)由神經(jīng)元、網(wǎng)絡(luò)拓樸和學(xué)習(xí)方法構(gòu)成。人工神經(jīng)網(wǎng)絡(luò)拓樸結(jié)構(gòu)可分為反 饋型和非反饋型（前饋型）。學(xué)習(xí)方法可分為監(jiān)督型和非監(jiān)督型。各種人工神經(jīng)網(wǎng)絡(luò)模型 中應(yīng)用得最典型的是采用反向傳播（Back Propagation）學(xué)習(xí)算法的多層前饋網(wǎng)絡(luò)。多層 前饋型網(wǎng)絡(luò)如圖所示。除上述介紹的幾種常用的方法外，還有許多其它的識別方法以

10、及改進(jìn)算法。6尚未解決的問題及值得研究的方向（1）就算法模型方面而言，需要有進(jìn)一步的突破。聲學(xué)模型和語言模型是聽寫識別 的基礎(chǔ)。目前使用的語言模型只是一種概率模型，還沒有用到以語言學(xué)為基礎(chǔ)的文法模型， 而要使計(jì)算機(jī)確實(shí)理解人類的語言，就必須在這一點(diǎn)上取得進(jìn)展。（2）語音識別的自適應(yīng)性也有待進(jìn)一步改進(jìn)。同一個(gè)音節(jié)或單詞的語音不僅對隨著 的講話者的不同而變化，而且對同一個(gè)講話者在不同場合不同上下文環(huán)境中也會發(fā)生變化。 這意味著對語言模型的進(jìn)一步改進(jìn)。（3）語音識別技術(shù)還需要能排除各種環(huán)境因素的影響。目前，對語音識別效果影響 最大的就是環(huán)境雜音或噪音。要在嘈雜環(huán)境中使用語音識別技術(shù)必須有特殊的抗噪麥

11、克風(fēng) 才能進(jìn)行，這對多數(shù)用戶來說是不現(xiàn)實(shí)的。在公共場合中，如何讓語音識別技術(shù)能有摒棄 環(huán)境嗓音并從中獲取所需要的特定聲音是一個(gè)艱巨的任務(wù)。雖然在短期內(nèi)還不可能造出具有和人相比擬的語音識別系統(tǒng)，但在未來幾年內(nèi)，語音 識別系統(tǒng)的應(yīng)用將更加廣泛，各種語音識別系統(tǒng)產(chǎn)品將陸續(xù)進(jìn)入我們的生活。語音識別各 個(gè)方面的技術(shù)正在不斷地進(jìn)步，一步步朝著更加智能化的方向發(fā)展。參考文獻(xiàn)1 楊尚國，楊金龍.語音識別技術(shù)概述J 福建電腦，2006 ,（8 ）.2 孫寧,孫勁光，孫宇.基于神經(jīng)網(wǎng)絡(luò)的語音識別技術(shù)研究J.計(jì)算機(jī)與數(shù)字工程， 2006.3 Phil Woodland. Speech Recognition. Speech and Language Engineering-State of the Art （Ref. No. 1998/499）.4 Morgan, N. Bourlard, H.A.Neural networ