語(yǔ)音識(shí)別的意思是將人說話的內(nèi)容和意思轉(zhuǎn)換為計(jì)算機(jī)可讀的輸入，例如按鍵、二進(jìn)制編碼或者字符序列等。與說話人的識(shí)別不同，后者主要是識(shí)別和確認(rèn)發(fā)出語(yǔ)音的人而非其中所包含的內(nèi)容。語(yǔ)音識(shí)別的目的就是讓機(jī)器聽懂人類口述的語(yǔ)言，包括了兩方面的含義：第一是逐字逐句聽懂而不是轉(zhuǎn)化成書面的語(yǔ)言文字;第二是對(duì)口述語(yǔ)言中所包含的命令或請(qǐng)求加以領(lǐng)會(huì)，做出正確回應(yīng)，而不僅僅只是拘泥于所有詞匯的正確轉(zhuǎn)換。

自從1952年，AT&TBell實(shí)驗(yàn)室的Davis等人研制了第一個(gè)可十個(gè)英文數(shù)字的特定人語(yǔ)音增強(qiáng)系統(tǒng)一Audry系統(tǒng)1956年，美國(guó)普林斯頓大學(xué)RCA實(shí)驗(yàn)室的Olson和Belar等人研制出能10個(gè)單音節(jié)詞的系統(tǒng)，該系統(tǒng)采用帶通濾波器組獲得的頻譜參數(shù)作為語(yǔ)音增強(qiáng)特征。1959年，F(xiàn)ry和Denes等人嘗試構(gòu)建音素器來4個(gè)元音和9個(gè)輔音，并采用頻譜分析和模式匹配進(jìn)行決策。這就大大提高了語(yǔ)音識(shí)別的效率和準(zhǔn)確度。從此計(jì)算機(jī)語(yǔ)音識(shí)別的受到了各國(guó)科研人員的重視并開始進(jìn)入語(yǔ)音識(shí)別的研究。60年代，蘇聯(lián)的MaTIn等提出了語(yǔ)音結(jié)束點(diǎn)的端點(diǎn)檢測(cè)，使語(yǔ)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(yǔ)音信號(hào)的特征提取和不等長(zhǎng)語(yǔ)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。語(yǔ)音識(shí)別技術(shù)與語(yǔ)音合成技術(shù)結(jié)合使人們能夠擺脫鍵盤的束縛，取而代之的是以語(yǔ)音輸入這樣便于使用的、自然的、人性化的輸入方式，它正逐步成為信息技術(shù)中人機(jī)接口的關(guān)鍵技術(shù)。

一：語(yǔ)音識(shí)別技術(shù)發(fā)展現(xiàn)狀-語(yǔ)音識(shí)別系統(tǒng)的分類

語(yǔ)音識(shí)別系統(tǒng)可以根據(jù)對(duì)輸入語(yǔ)音的限制加以分類。如果從說話者與識(shí)別系統(tǒng)的相關(guān)性考慮，可以將識(shí)別系統(tǒng)分為三類：

(1)特定人語(yǔ)音識(shí)別系統(tǒng)。僅考慮對(duì)于專人的話音進(jìn)行識(shí)別。

(2)非特定人語(yǔ)音系統(tǒng)。識(shí)別的語(yǔ)音與人無關(guān)，通常要用大量不同人的語(yǔ)音數(shù)據(jù)庫(kù)對(duì)識(shí)別系統(tǒng)進(jìn)行學(xué)習(xí)。

(3)多人的識(shí)別系統(tǒng)。通常能識(shí)別一組人的語(yǔ)音，或者成為特定組語(yǔ)音識(shí)別系統(tǒng)，該系統(tǒng)僅要求對(duì)要識(shí)別的那組人的語(yǔ)音進(jìn)行訓(xùn)練。

如果從說話的方式考慮，也可以將識(shí)別系統(tǒng)分為三類：

(1)孤立詞語(yǔ)音識(shí)別系統(tǒng)。孤立詞識(shí)別系統(tǒng)要求輸入每個(gè)詞后要停頓。

(2)連接詞語(yǔ)音識(shí)別系統(tǒng)。連接詞輸入系統(tǒng)要求對(duì)每個(gè)詞都清楚發(fā)音，一些連音現(xiàn)象開始出現(xiàn)。

(3)連續(xù)語(yǔ)音識(shí)別系統(tǒng)。連續(xù)語(yǔ)音輸入是自然流利的連續(xù)語(yǔ)音輸入，大量連音和變音會(huì)出現(xiàn)。

如果從識(shí)別系統(tǒng)的詞匯量大小考慮，也可以將識(shí)別系統(tǒng)分為三類：

(1)小詞匯量語(yǔ)音識(shí)別系統(tǒng)。通常包括幾十個(gè)詞的語(yǔ)音識(shí)別系統(tǒng)。

(2)中等詞匯量的語(yǔ)音識(shí)別系統(tǒng)。通常包括幾百個(gè)詞到上千個(gè)詞的識(shí)別系統(tǒng)。

(3)大詞匯量語(yǔ)音識(shí)別系統(tǒng)。通常包括幾千到幾萬個(gè)詞的語(yǔ)音識(shí)別系統(tǒng)。隨著計(jì)算機(jī)與數(shù)字信號(hào)處理器運(yùn)算能力以及識(shí)別系統(tǒng)精度的提高，識(shí)別系統(tǒng)根據(jù)詞匯量大小進(jìn)行分類也不斷進(jìn)行變化。目前是中等詞匯量的識(shí)別系統(tǒng)，將來可能就是小詞匯量的語(yǔ)音識(shí)別系統(tǒng)。這些不同的限制也確定了語(yǔ)音識(shí)別系統(tǒng)的困難度。

二：語(yǔ)音識(shí)別技術(shù)發(fā)展現(xiàn)狀-語(yǔ)音識(shí)別的方法匯總分析

目前具有代表性的語(yǔ)音識(shí)別方法主要有動(dòng)態(tài)時(shí)間規(guī)整技術(shù)(DTW)、隱馬爾可夫模型(HMM)、矢量量化(VQ)、人工神經(jīng)網(wǎng)絡(luò)(ANN)、支持向量機(jī)(SVM)等方法。

動(dòng)態(tài)時(shí)間規(guī)整算法(Dynamic TIme Warping，DTW)是在非特定人語(yǔ)音識(shí)別中一種簡(jiǎn)單有效的方法，該算法基于動(dòng)態(tài)規(guī)劃的思想，解決了發(fā)音長(zhǎng)短不一的模板匹配問題，是語(yǔ)音識(shí)別技術(shù)中出現(xiàn)較早、較常用的一種算法。在應(yīng)用DTW算法進(jìn)行語(yǔ)音識(shí)別時(shí)，就是將已經(jīng)預(yù)處理和分幀過的語(yǔ)音測(cè)試信號(hào)和參考語(yǔ)音模板進(jìn)行比較以獲取他們之間的相似度，按照某種距離測(cè)度得出兩模板間的相似程度并選擇最佳路徑。

隱馬爾可夫模型(HMM)是語(yǔ)音信號(hào)處理中的一種統(tǒng)計(jì)模型，是由Markov鏈演變來的，所以它是基于參數(shù)模型的統(tǒng)計(jì)識(shí)別方法。由于其模式庫(kù)是通過反復(fù)訓(xùn)練形成的與訓(xùn)練輸出信號(hào)吻合概率最大的最佳模型參數(shù)而不是預(yù)先儲(chǔ)存好的模式樣本，且其識(shí)別過程中運(yùn)用待識(shí)別語(yǔ)音序列與HMM參數(shù)之間的似然概率達(dá)到最大值所對(duì)應(yīng)的最佳狀態(tài)序列作為識(shí)別輸出，因此是較理想的語(yǔ)音識(shí)別模型。

矢量量化(Vector QuanTIzaTIon)是一種重要的信號(hào)壓縮方法。與HMM相比，矢量量化主要適用于小詞匯量、孤立詞的語(yǔ)音識(shí)別中。其過程是將若干個(gè)語(yǔ)音信號(hào)波形或特征參數(shù)的標(biāo)量數(shù)據(jù)組成一個(gè)矢量在多維空間進(jìn)行整體量化。把矢量空間分成若干個(gè)小區(qū)域，每個(gè)小區(qū)域?qū)ふ乙粋€(gè)代表矢量，量化時(shí)落入小區(qū)域的矢量就用這個(gè)代表矢量代替。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。

在實(shí)際的應(yīng)用過程中，人們還研究了多種降低復(fù)雜度的方法，包括無記憶的矢量量化、有記憶的矢量量化和模糊矢量量化方法。

人工神經(jīng)網(wǎng)絡(luò)(ANN)是20世紀(jì)80年代末期提出的一種新的語(yǔ)音識(shí)別方法。其本質(zhì)上是一個(gè)自適應(yīng)非線性動(dòng)力學(xué)系統(tǒng)，模擬了人類神經(jīng)活動(dòng)的原理，具有自適應(yīng)性、并行性、魯棒性、容錯(cuò)性和學(xué)習(xí)特性，其強(qiáng)大的分類能力和輸入—輸出映射能力在語(yǔ)音識(shí)別中都很有吸引力。其方法是模擬人腦思維機(jī)制的工程模型，它與HMM正好相反，其分類決策能力和對(duì)不確定信息的描述能力得到舉世公認(rèn)，但它對(duì)動(dòng)態(tài)時(shí)間信號(hào)的描述能力尚不盡如人意，通常MLP分類器只能解決靜態(tài)模式分類問題，并不涉及時(shí)間序列的處理。盡管學(xué)者們提出了許多含反饋的結(jié)構(gòu)，但它們?nèi)圆蛔阋钥坍嬛T如語(yǔ)音信號(hào)這種時(shí)間序列的動(dòng)態(tài)特性。由于ANN不能很好地描述語(yǔ)音信號(hào)的時(shí)間動(dòng)態(tài)特性，所以常把ANN與傳統(tǒng)識(shí)別方法結(jié)合，分別利用各自優(yōu)點(diǎn)來進(jìn)行語(yǔ)音識(shí)別而克服HMM和ANN各自的缺點(diǎn)。近年來結(jié)合神經(jīng)網(wǎng)絡(luò)和隱含馬爾可夫模型的識(shí)別算法研究取得了顯著進(jìn)展，其識(shí)別率已經(jīng)接近隱含馬爾可夫模型的識(shí)別系統(tǒng)，進(jìn)一步提高了語(yǔ)音識(shí)別的魯棒性和準(zhǔn)確率。

支持向量機(jī)(Support vector machine)是應(yīng)用統(tǒng)計(jì)學(xué)理論的一種新的學(xué)習(xí)機(jī)模型，采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理(Structural Risk Minimization，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)。兼顧訓(xùn)練誤差和泛化能力，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，已經(jīng)被廣泛地應(yīng)用到模式識(shí)別領(lǐng)域。

三：語(yǔ)音識(shí)別技術(shù)發(fā)展現(xiàn)狀-國(guó)外研究

語(yǔ)音識(shí)別的研究工作可以追溯到20世紀(jì)50年代AT&T貝爾實(shí)驗(yàn)室的Audry系統(tǒng)，它是第一個(gè)可以識(shí)別十個(gè)英文數(shù)字的語(yǔ)音識(shí)別系統(tǒng)。

但真正取得實(shí)質(zhì)性進(jìn)展，并將其作為一個(gè)重要的課題開展研究則是在60年代末70年代初。這首先是因?yàn)橛?jì)算機(jī)技術(shù)的發(fā)展為語(yǔ)音識(shí)別的實(shí)現(xiàn)提供了硬件和軟件的可能，更重要的是語(yǔ)音信號(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)的提出，有效的解決了語(yǔ)音信號(hào)的特征提取和不等長(zhǎng)匹配問題。這一時(shí)期的語(yǔ)音識(shí)別主要基于模板匹配原理，研究的領(lǐng)域局限在特定人，小詞匯表的孤立詞識(shí)別，實(shí)現(xiàn)了基于線性預(yù)測(cè)倒譜和DTW技術(shù)的特定人孤立詞語(yǔ)音識(shí)別系統(tǒng);同時(shí)提出了矢量量化(VQ)和隱馬爾可夫模型(HMM)理論。

隨著應(yīng)用領(lǐng)域的擴(kuò)大，小詞匯表、特定人、孤立詞等這些對(duì)語(yǔ)音識(shí)別的約束條件需要放寬，與此同時(shí)也帶來了許多新的問題：第一，詞匯表的擴(kuò)大使得模板的選取和建立發(fā)生困難;第二，連續(xù)語(yǔ)音中，各個(gè)音素、音節(jié)以及詞之間沒有明顯的邊界，各個(gè)發(fā)音單位存在受上下文強(qiáng)烈影響的協(xié)同發(fā)音(Co-articulation)現(xiàn)象;第三，非特定人識(shí)別時(shí)，不同的人說相同的話相應(yīng)的聲學(xué)特征有很大的差異，即使相同的人在不同的時(shí)間、生理、心理狀態(tài)下，說同樣內(nèi)容的話也會(huì)有很大的差異;第四，識(shí)別的語(yǔ)音中有背景噪聲或其他干擾。因此原有的模板匹配方法已不再適用。

實(shí)驗(yàn)室語(yǔ)音識(shí)別研究的巨大突破產(chǎn)生于20世紀(jì)80年代末：人們終于在實(shí)驗(yàn)室突破了大詞匯量、連續(xù)語(yǔ)音和非特定人這三大障礙，第一次把這三個(gè)特性都集成在一個(gè)系統(tǒng)中，比較典型的是卡耐基梅隆大學(xué)(CarnegieMellonUniversity)的Sphinx系統(tǒng)，它是第一個(gè)高性能的非特定人、大詞匯量連續(xù)語(yǔ)音識(shí)別系統(tǒng)。

關(guān)鍵詞： 語(yǔ)音識(shí)別