信息技術(shù) 第二冊(cè)（五年制高職）課件 9.3.1 語(yǔ)音識(shí)別系統(tǒng)

探索智能家居《人工智能》主題九：人工智能語(yǔ)音識(shí)別系統(tǒng)目錄contents語(yǔ)音識(shí)別系統(tǒng)的定義語(yǔ)音識(shí)別系統(tǒng)的原理語(yǔ)音識(shí)別系統(tǒng)的工作流程語(yǔ)音識(shí)別系統(tǒng)的定義01語(yǔ)音識(shí)別（SpeechRecognition）是指用計(jì)算機(jī)技術(shù)將語(yǔ)音信號(hào)轉(zhuǎn)換成文本或者其他形式的輸出，識(shí)別語(yǔ)音信號(hào)并將其轉(zhuǎn)換為可輸入計(jì)算機(jī)的數(shù)字信號(hào)。語(yǔ)音識(shí)別技術(shù)實(shí)際上就是一個(gè)將聲學(xué)信號(hào)轉(zhuǎn)換成語(yǔ)義信息的過(guò)程。通常使用基頻、共振峰（Formants）和聲強(qiáng)（時(shí)域信號(hào)）等特征來(lái)描述語(yǔ)音信號(hào)。1.

語(yǔ)音識(shí)別系統(tǒng)的定義現(xiàn)在的語(yǔ)音識(shí)別技術(shù)可以被廣泛應(yīng)用于智能家居、移動(dòng)設(shè)備、汽車導(dǎo)航等領(lǐng)域。1.

語(yǔ)音識(shí)別系統(tǒng)的定義02語(yǔ)音識(shí)別系統(tǒng)的原理實(shí)現(xiàn)語(yǔ)音識(shí)別系統(tǒng)一般包含以下三個(gè)部分：2.語(yǔ)音識(shí)別系統(tǒng)的原理312語(yǔ)言模型聲學(xué)模型語(yǔ)音識(shí)別引擎在聲學(xué)模型中，主要是通過(guò)提取語(yǔ)音信號(hào)的頻譜特征來(lái)構(gòu)建狀態(tài)模型。

頻譜特征是指語(yǔ)音信號(hào)在任意時(shí)刻的功率譜密度和譜相位變化情況。特征提取完成后，將其輸入到HMM模型中進(jìn)行訓(xùn)練。在實(shí)際應(yīng)用中，需要使用大量的訓(xùn)練樣本，通過(guò)機(jī)器學(xué)習(xí)算法對(duì)模型進(jìn)行優(yōu)化，以達(dá)到高準(zhǔn)確度的語(yǔ)音識(shí)別效果。2.1聲學(xué)模型語(yǔ)音識(shí)別引擎是語(yǔ)音識(shí)別系統(tǒng)的核心部分，它負(fù)責(zé)對(duì)聲學(xué)模型提取的語(yǔ)音特征進(jìn)行解碼，并生成相應(yīng)的文本結(jié)果。語(yǔ)音識(shí)別引擎中有兩個(gè)主要的組件：前端處理和推理處理。（1）前端處理是通過(guò)聲學(xué)模型進(jìn)行信號(hào)特征提取，并將特征序列進(jìn)一步轉(zhuǎn)換為聲學(xué)特征向量，如梅爾倒譜系數(shù)（MFCC）、線性預(yù)測(cè)編碼（LPC）等。（2）推理處理是通過(guò)語(yǔ)音識(shí)別的算法，用聲學(xué)特征向量計(jì)算詞概率，并將詞序列轉(zhuǎn)換為最終的文本結(jié)果。2.2語(yǔ)音識(shí)別引擎語(yǔ)言模型是語(yǔ)音識(shí)別系統(tǒng)中的另一個(gè)重要組成部分。語(yǔ)言模型負(fù)責(zé)根據(jù)上下文環(huán)境，預(yù)測(cè)用戶語(yǔ)音輸入的下一個(gè)單詞。語(yǔ)言模型應(yīng)該能夠識(shí)別符合語(yǔ)言規(guī)則的語(yǔ)句。在語(yǔ)言模型中，通常使用n-gram語(yǔ)言模型或者神經(jīng)網(wǎng)絡(luò)語(yǔ)言模型來(lái)完成文本預(yù)測(cè)。ChatGPT屬于一類基于GPT技術(shù)的大語(yǔ)言模型（LargeLanguageModel,LLM）。大語(yǔ)言模型極大地改變了自然語(yǔ)言處理領(lǐng)域的研究范式，越來(lái)越多的科技公司為了趕上ChatGPT引發(fā)的時(shí)代浪潮，也紛紛給出了自己的大語(yǔ)言模型，包括Google、Microsoft、NVIDA等一系列頂尖科技公司。2.3語(yǔ)言模型03語(yǔ)音識(shí)別系統(tǒng)的工作流程數(shù)據(jù)采集

數(shù)據(jù)采集需要采集大量的正常人的語(yǔ)音數(shù)據(jù)，以及噪聲、干擾等不同場(chǎng)景下的語(yǔ)音數(shù)據(jù)，以便于語(yǔ)音識(shí)別引擎的訓(xùn)練和調(diào)試。預(yù)處理

預(yù)處理是指對(duì)采集到的原始語(yǔ)音信號(hào)進(jìn)行采樣、濾波、分幀、特征提取、噪聲消除等多種處理，以適配語(yǔ)音識(shí)別引擎的輸入要求。建模

建模是指在掌握大量的語(yǔ)音數(shù)據(jù)后，采用一定的機(jī)器學(xué)習(xí)算法，訓(xùn)練出一個(gè)準(zhǔn)確的聲學(xué)模型。解碼

解碼是指將采集到的語(yǔ)音信號(hào)輸入到