摘  要： 回顧了語音識(shí)別技術(shù)的發(fā)展歷史,描述了語音識(shí)別系統(tǒng)的基本原理,介紹了語音識(shí)別的幾種基本方法,并對(duì)語音識(shí)別技術(shù)面臨的問題和發(fā)展前景進(jìn)行了討論。
關(guān)鍵詞： 語音識(shí)別；模式識(shí)別；特征提取；人機(jī)交互

1 語音識(shí)別技術(shù)概述
　　語音識(shí)別是解決機(jī)器“聽懂”人類語言的一項(xiàng)技術(shù)。作為智能計(jì)算機(jī)研究的主導(dǎo)方向和人機(jī)語音通信的關(guān)鍵技術(shù)，語音識(shí)別技術(shù)一直受到各國科學(xué)界的廣泛關(guān)注。如今，隨著語音識(shí)別技術(shù)研究的突破，其對(duì)計(jì)算機(jī)發(fā)展和社會(huì)生活的重要性日益凸現(xiàn)出來。以語音識(shí)別技術(shù)開發(fā)出的產(chǎn)品應(yīng)用領(lǐng)域非常廣泛，如聲控電話交換、信息網(wǎng)絡(luò)查詢、家庭服務(wù)、賓館服務(wù)、醫(yī)療服務(wù)、銀行服務(wù)、工業(yè)控制、語音通信系統(tǒng)等，幾乎深入到社會(huì)的每個(gè)行業(yè)和每個(gè)方面。
　　廣泛意義上的語音識(shí)別按照任務(wù)的不同可以分為4個(gè)方向：說話人識(shí)別、關(guān)鍵詞檢出、語言辨識(shí)和語音識(shí)別[1]。說話人識(shí)別技術(shù)是以話音對(duì)說話人進(jìn)行區(qū)別，從而進(jìn)行身份鑒別和認(rèn)證的技術(shù)。關(guān)鍵詞檢出技術(shù)應(yīng)用于一些具有特定要求的場合，只關(guān)注那些包含特定詞的句子，例如對(duì)一些特殊人名、地名的電話監(jiān)聽等。語言辨識(shí)技術(shù)是通過分析處理一個(gè)語音片斷以判別其所屬語言種類的技術(shù)，本質(zhì)上也是語音識(shí)別技術(shù)的一個(gè)方面。語音識(shí)別就是通常人們所說的以說話的內(nèi)容作為識(shí)別對(duì)象的技術(shù)，它是4個(gè)方面中最重要和研究最廣泛的一個(gè)方向，也是本文討論的主要內(nèi)容。
2 語音識(shí)別的研究歷史及現(xiàn)狀
　　語音識(shí)別的研究工作始于20世紀(jì)50年代，1952年Bell實(shí)驗(yàn)室開發(fā)的Audry系統(tǒng)是第一個(gè)可以識(shí)別10個(gè)英文數(shù)字的語音識(shí)別系統(tǒng)。1959年，Rorgie和Forge采用數(shù)字計(jì)算機(jī)識(shí)別英文元音和孤立詞，從此開始了計(jì)算機(jī)語音識(shí)別。60年代，蘇聯(lián)的Matin等提出了語音結(jié)束點(diǎn)的端點(diǎn)檢測(cè)，使語音識(shí)別水平明顯上升；Vintsyuk提出了動(dòng)態(tài)編程，這一提法在以后的識(shí)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(hào)線性預(yù)測(cè)編碼(LPC)技術(shù)和動(dòng)態(tài)時(shí)間規(guī)整(DTW)技術(shù)，有效地解決了語音信號(hào)的特征提取和不等長語音匹配問題；同時(shí)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(shí)別研究進(jìn)一步走向深入：HMM模型和人工神經(jīng)網(wǎng)絡(luò)(ANN)在語音識(shí)別中成功應(yīng)用。1988年，F(xiàn)ULEE Kai等用VQ/I-IMM方法實(shí)現(xiàn)了997個(gè)詞匯的非特定人連續(xù)語音識(shí)別系統(tǒng)SPHINX。這是世界上第1個(gè)高性能的非特定人、大詞匯量、連續(xù)語音識(shí)別系統(tǒng)。
　　進(jìn)入90年代后，語音識(shí)別技術(shù)進(jìn)一步成熟，并開始向市場提供產(chǎn)品。許多發(fā)達(dá)國家如美國、日本、韓國以及IBM、Apple、AT&T、Microsoft等公司都為語音識(shí)別系統(tǒng)的實(shí)用化開發(fā)研究投以巨資。同時(shí)漢語語音識(shí)別也越來越受到重視。IBM開發(fā)的 ViaVoice和Microsoft開發(fā)的中文識(shí)別引擎都具有了相當(dāng)高的漢語語音識(shí)別水平。
　　進(jìn)入21世紀(jì)，隨著消費(fèi)類電子產(chǎn)品的普及，嵌入式語音處理技術(shù)發(fā)展迅速[2]?；谡Z音識(shí)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(shí)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(yīng)用。在軟件上，目前比較成功的語音識(shí)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(shí)別系統(tǒng)。
　　  我國語音識(shí)別研究一直緊跟國際水平，國家也很重視。國內(nèi)中科院的自動(dòng)化所、聲學(xué)所以及清華大學(xué)等科研機(jī)構(gòu)和高校都在從事語音識(shí)別領(lǐng)域的研究和開發(fā)。國家863智能計(jì)算機(jī)專家組為語音識(shí)別技術(shù)研究專門立項(xiàng)，并取得了高水平的科研成果。我國中科院自動(dòng)化所研制的非特定人、連續(xù)語音聽寫系統(tǒng)和漢語語音人機(jī)對(duì)話系統(tǒng)，其準(zhǔn)確率和系統(tǒng)響應(yīng)率均可達(dá)90%以上。
3  語音識(shí)別系統(tǒng)
　  　語音識(shí)別本質(zhì)上是一種模式識(shí)別的過程，未知語音的模式與已知語音的參考模式逐一進(jìn)行比較，最佳匹配的參考模式被作為識(shí)別結(jié)果。圖1是基于模式匹配原理的自動(dòng)語音識(shí)別系統(tǒng)原理框圖。

　　(1)預(yù)處理模塊：對(duì)輸入的原始語音信號(hào)進(jìn)行處理，濾除掉其中的不重要的信息以及背景噪聲，并進(jìn)行語音信號(hào)的端點(diǎn)檢測(cè)、語音分幀以及預(yù)加重等處理。
 　　(2)特征提取模塊：負(fù)責(zé)計(jì)算語音的聲學(xué)參數(shù)，并進(jìn)行特征的計(jì)算，以便提取出反映信號(hào)特征的關(guān)鍵特征參數(shù)用于后續(xù)處理。現(xiàn)在較常用的特征參數(shù)有線性預(yù)測(cè)（LPC)參數(shù)、線譜對(duì)（LSP)參數(shù)、LPCC、MFCC、ASCC、感覺加權(quán)的線性預(yù)測(cè)（PLP)參數(shù)、動(dòng)態(tài)差分參數(shù)和高階信號(hào)譜類特征等[1]。其中，Mel頻率倒譜系數(shù)（MFCC)參數(shù)因其良好的抗噪性和魯棒性而應(yīng)用廣泛。
　　(3)訓(xùn)練階段：用戶輸入若干次訓(xùn)練語音，經(jīng)過預(yù)處理和特征提取后得到特征矢量參數(shù)，建立或修改訓(xùn)練語音的參考模式庫。
　　(4)識(shí)別階段：將輸入的語音提取特征矢量參數(shù)后與參考模式庫中的模式進(jìn)行相似性度量比較，并結(jié)合一定的判別規(guī)則和專家知識(shí)（如構(gòu)詞規(guī)則，語法規(guī)則等)得出最終的識(shí)別結(jié)果。
4 語音識(shí)別的幾種基本方法
　　當(dāng)今語音識(shí)別技術(shù)的主流算法，主要有基于動(dòng)態(tài)時(shí)間規(guī)整(DTW)算法、基于非參數(shù)模型的矢量量化(VQ)方法、基于參數(shù)模型的隱馬爾可夫模型(HMM)的方法、基于人工神經(jīng)網(wǎng)絡(luò)(ANN)和支持向量機(jī)等語音識(shí)別方法。
4.1 動(dòng)態(tài)時(shí)間規(guī)整(DTW)
　　DTW是把時(shí)間規(guī)整和距離測(cè)度計(jì)算結(jié)合起來的一種非線性規(guī)整技術(shù)，是較早的一種模式匹配和模型訓(xùn)練技術(shù)。該方法成功解決了語音信號(hào)特征參數(shù)序列比較時(shí)時(shí)長不等的難題，在孤立詞語音識(shí)別中獲得了良好性能。
4.2 矢量量化(VQ)
　　矢量量化是一種重要的信號(hào)壓縮方法，主要適用于小詞匯量、孤立詞的語音識(shí)別中。其過程是：將語音信號(hào)波形的k個(gè)樣點(diǎn)的每1幀，或有k個(gè)參數(shù)的每1參數(shù)幀，構(gòu)成k維空間中的1個(gè)矢量，然后對(duì)矢量進(jìn)行量化。量化時(shí)，將k維無限空間劃分為M個(gè)區(qū)域邊界，然后將輸入矢量與這些邊界進(jìn)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(shè)計(jì)就是從大量信號(hào)樣本中訓(xùn)練出好的碼書，從實(shí)際效果出發(fā)尋找到好的失真測(cè)度定義公式，設(shè)計(jì)出最佳的矢量量化系統(tǒng)，用最少的搜索和計(jì)算失真的運(yùn)算量，實(shí)現(xiàn)最大可能的平均信噪比。
4.3 隱馬爾可夫模型(HMM)
　　隱馬爾可夫模型是20世紀(jì)70年代引入語音識(shí)別理論的，它的出現(xiàn)使得自然語音識(shí)別系統(tǒng)取得了實(shí)質(zhì)性的突破。目前大多數(shù)大詞匯量、連續(xù)語音的非特定人語音識(shí)別系統(tǒng)都是基于HMM模型的。
　　HMM是對(duì)語音信號(hào)的時(shí)間序列結(jié)構(gòu)建立統(tǒng)計(jì)模型，將其看作一個(gè)數(shù)學(xué)上的雙重隨機(jī)過程：一個(gè)是用具有有限狀態(tài)數(shù)的Markov鏈來模擬語音信號(hào)統(tǒng)計(jì)特性變化的隱含的隨機(jī)過程，另一個(gè)是與Markov鏈的每一個(gè)狀態(tài)相關(guān)聯(lián)的觀測(cè)序列的隨機(jī)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(cè)的。人的言語過程實(shí)際上就是一個(gè)雙重隨機(jī)過程，語音信號(hào)本身是一個(gè)可觀測(cè)的時(shí)變序列，是由大腦根據(jù)語法知識(shí)和言語需要(不可觀測(cè)的狀態(tài))發(fā)出的音素的參數(shù)流。HMM合理地模仿了這一過程，很好地描述了語音信號(hào)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。
　　HMM模型可細(xì)分為離散隱馬爾可夫模型(DHMM)和連續(xù)隱馬爾可夫模型(CHMM)以及半連續(xù)隱馬爾可夫模型(SCHMM)等[3]。
4.4 人工神經(jīng)元網(wǎng)絡(luò)(ANN)
 　　人工神經(jīng)元網(wǎng)絡(luò)在語音識(shí)別中的應(yīng)用是目前研究的又一熱點(diǎn)。ANN實(shí)際上是一個(gè)超大規(guī)模非線性連續(xù)時(shí)間自適應(yīng)信息處理系統(tǒng)，它模擬了人類神經(jīng)元活動(dòng)的原理，最主要的特征為連續(xù)時(shí)間非線性動(dòng)力學(xué)、網(wǎng)絡(luò)的全局作用、大規(guī)模并行分布處理及高度的穩(wěn)健性和學(xué)習(xí)聯(lián)想能力。這些能力是HMM模型不具備的。但ANN又不具有HMM模型的動(dòng)態(tài)時(shí)間歸正性能。因此，人們嘗試研究基于HMM和ANN的混合模型，把兩者的優(yōu)點(diǎn)有機(jī)結(jié)合起來，從而提高整個(gè)模型的魯棒性，這也是目前研究的一個(gè)熱點(diǎn)。
4.5 支持向量機(jī)（SVM)
    支持向量機(jī)是應(yīng)用統(tǒng)計(jì)學(xué)習(xí)理論的一種新的學(xué)習(xí)機(jī)模型，它采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理(SRM)，有效克服了傳統(tǒng)經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化方法的缺點(diǎn)，在解決小樣本、非線性及高維模式識(shí)別方面有許多優(yōu)越的性能[4]。其基本思想可以概括為：首先通過非線性變換將輸入空間變換到一個(gè)高維空間，然后在這個(gè)新空間中求取最優(yōu)線性分類面，而這種非線性變換是通過定義適當(dāng)?shù)膬?nèi)積函數(shù)實(shí)現(xiàn)的。目前，統(tǒng)計(jì)學(xué)習(xí)理論和支持向量機(jī)也是國際上機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)。
5 語音識(shí)別所面臨的問題
　　盡管語音識(shí)別取得很大成功，但是距離真正的人機(jī)自由交流還有很大的距離。例如，目前計(jì)算機(jī)還需要對(duì)用戶做大量訓(xùn)練才能更準(zhǔn)確識(shí)別，用戶的語音識(shí)別率也并不是盡如人意。主要難題有以下幾個(gè)方面：
　　(1)識(shí)別系統(tǒng)的適應(yīng)性差。主要體現(xiàn)在對(duì)環(huán)境依賴性強(qiáng)，特別在高噪音環(huán)境下語音識(shí)別性能還不理想。
　　(2)語音識(shí)別系統(tǒng)從實(shí)驗(yàn)室演示系統(tǒng)到商品的轉(zhuǎn)化過程中，還有許多具體問題需要解決。例如，識(shí)別速度、拒識(shí)等問題，還有連續(xù)語音中去除不必要語氣詞如“呃”、“啊”等語音的技術(shù)細(xì)節(jié)問題。
　　(3)語言學(xué)、生理學(xué)、心理學(xué)方面的研究成果已有不少，但如何把這些知識(shí)量化、建模并用于語音識(shí)別，還需要進(jìn)一步研究。
  　　面對(duì)上面的困難，語音識(shí)別技術(shù)要做到真正成功，在任何環(huán)境中都能人機(jī)進(jìn)行自由地對(duì)話，不僅需要語音識(shí)別基礎(chǔ)理論的突破，更需要大量的實(shí)際工作的積累。
6 語音識(shí)別技術(shù)的前景展望
　　  語音作為當(dāng)前通信系統(tǒng)中最自然的通信媒介，語音識(shí)別技術(shù)是非常重要的人機(jī)交互技術(shù)。隨著計(jì)算機(jī)和語音處理技術(shù)的發(fā)展，語音識(shí)別系統(tǒng)的實(shí)用性將進(jìn)一步提高。應(yīng)用語音的自動(dòng)理解和翻譯，可消除人類相互交往的語言障礙。國外已有多種基于語音識(shí)別產(chǎn)品(如聲控?fù)芴?hào)電話、語音記事本等)的應(yīng)用，基于特定任務(wù)和環(huán)境的聽寫機(jī)也已經(jīng)進(jìn)入應(yīng)用階段。這預(yù)示著語音識(shí)別技術(shù)有著非常廣泛的應(yīng)用領(lǐng)域和市場前景。隨著語音技術(shù)的進(jìn)步和通信技術(shù)的飛速發(fā)展，語音識(shí)別技術(shù)將為網(wǎng)上會(huì)議、商業(yè)管理、醫(yī)藥衛(wèi)生、教育培訓(xùn)等各個(gè)領(lǐng)域帶來極大的便利[5]，其應(yīng)用和經(jīng)濟(jì)、社會(huì)效益前景非常良好。
參考文獻(xiàn)
[1] 王炳錫，屈丹，彭煊.實(shí)用語音識(shí)別基礎(chǔ)[M].北京：國防工業(yè)出版社，2005.
[2] 劉么和，宋庭新.語音識(shí)別與控制應(yīng)用技術(shù)[M].北京：科學(xué)出版社，2008.
[3] 詹新明，黃南山，楊燦.語音識(shí)別技術(shù)研究進(jìn)展[J].現(xiàn)代計(jì)算機(jī)，2008，291(9)：43-45.
[4] 柳春.語音識(shí)別技術(shù)研究進(jìn)展[J].甘肅科技，2008，24(9)：41-43.
[5] 高新濤，陳乖麗.語音識(shí)別技術(shù)的發(fā)展現(xiàn)狀及應(yīng)用前景[J].甘肅科技縱橫，2007，36(4)：13.