語音識別技術(shù)的研究與發(fā)展

　　摘 要： 回顧了語音識別技術(shù)的發(fā)展歷史,描述了語音識別系統(tǒng)的基本原理,介紹了語音識別的幾種基本方法,并對語音識別技術(shù)面臨的問題和發(fā)展前景進行了討論。

1 語音識別技術(shù)概述

　　語音識別是解決機器“聽懂”人類語言的一項技術(shù)。作為智能計算機研究的主導(dǎo)方向和人機語音通信的關(guān)鍵技術(shù)，語音識別技術(shù)一直受到各國科學界的廣泛關(guān)注。如今，隨著語音識別技術(shù)研究的突破，其對計算機發(fā)展和社會生活的重要性日益凸現(xiàn)出來。以語音識別技術(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，幾乎深入到社會的每個行業(yè)和每個方面。

廣泛意義上的語音識別按照任務(wù)的不同可以分為4個方向：說話人識別、關(guān)鍵詞檢出、語言辨識和語音識別[1]。說話人識別技術(shù)是以話音對說話人進行區(qū)別，從而進行身份鑒別和認證的技術(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，例如對一些特殊人名、地名的電話監(jiān)聽等。語言辨識技術(shù)是通過分析處理一個語音片斷以判別其所屬語言種類的技術(shù)，本質(zhì)上也是語音識別技術(shù)的一個方面。語音識別就是通常人們所說的以說話的內(nèi)容作為識別對象的技術(shù)，它是4個方面中最重要和研究最廣泛的一個方向，也是本文討論的主要內(nèi)容。

2 語音識別的研究歷史及現(xiàn)狀

語音識別的研究工作始于20世紀50年代，1952年Bell實驗室開發(fā)的Audry系統(tǒng)是第一個可以識別10個英文數(shù)字的語音識別系統(tǒng)。1959年，Rorgie和Forge采用數(shù)字計算機識別英文元音和孤立詞，從此開始了計算機語音識別。60年代，蘇聯(lián)的Matin等提出了語音結(jié)束點的端點檢測，使語音識別水平明顯上升；Vintsyuk提出了動態(tài)編程，這一提法在以后的識別中不可或缺。60年代末、70年代初的重要成果是提出了信號線性預(yù)測編碼(LPC)技術(shù)和動態(tài)時間規(guī)整(DTW)技術(shù)，有效地解決了語音信號的特征提取和不等長語音匹配問題；同時提出了矢量量化(VQ)和隱馬爾可夫模型(HMM)理論。

80年代語音識別研究進一步走向深入：HMM模型和人工神經(jīng)網(wǎng)絡(luò)(ANN)在語音識別中成功應(yīng)用。1988年，F(xiàn)ULEE Kai等用VQ/I-IMM方法實現(xiàn)了997個詞匯的非特定人連續(xù)語音識別系統(tǒng)SPHINX。這是世界上第1個高性能的非特定人、大詞匯量、連續(xù)語音識別系統(tǒng)。

進入90年代后，語音識別技術(shù)進一步成熟，并開始向市場提供產(chǎn)品。許多發(fā)達國家如美國、日本、韓國以及IBM、Apple、ATT、Microsoft等公司都為語音識別系統(tǒng)的實用化開發(fā)研究投以巨資。同時漢語語音識別也越來越受到重視。IBM開發(fā)的 ViaVoice和Microsoft開發(fā)的中文識別引擎都具有了相當高的漢語語音識別水平。

進入21世紀，隨著消費類電子產(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)語音識別系統(tǒng)。

我國語音識別研究一直緊跟國際水平，國家也很重視。國內(nèi)中科院的自動化所、聲學所以及清華大學等科研機構(gòu)和高校都在從事語音識別領(lǐng)域的研究和開發(fā)。國家863智能計算機專家組為語音識別技術(shù)研究專門立項，并取得了高水平的科研成果。我國中科院自動化所研制的非特定人、連續(xù)語音聽寫系統(tǒng)和漢語語音人機對話系統(tǒng)，其準確率和系統(tǒng)響應(yīng)率均可達90%以上。

3 語音識別系統(tǒng)

語音識別本質(zhì)上是一種模式識別的過程，未知語音的模式與已知語音的參考模式逐一進行比較，最佳匹配的參考模式被作為識別結(jié)果。圖1是基于模式匹配原理的自動語音識別系統(tǒng)原理框圖。

　　(1)預(yù)處理模塊：對輸入的原始語音信號進行處理，濾除掉其中的不重要的信息以及背景噪聲，并進行語音信號的端點檢測、語音分幀以及預(yù)加重等處理。