語音識別技術(shù)概述

語音是人類最自然的交互方式。計(jì)算機(jī)發(fā)明之后，讓機(jī)器能夠“聽懂”人類的語言，理解語言中的內(nèi)在含義，并能做出正確的回答就成為了人們追求的目標(biāo)。我們都希望像科幻電影中那些智能先進(jìn)的機(jī)器人助手一樣，在與人進(jìn)行語音交流時(shí)，讓它聽明白你在說什么。語音識別技術(shù)將人類這一曾經(jīng)的夢想變成了現(xiàn)實(shí)。語音識別就好比“機(jī)器的聽覺系統(tǒng)”，該技術(shù)讓機(jī)器通過識別和理解，把語音信號轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令。

語音識別技術(shù)，也被稱為自動(dòng)語音識別AutomaTIc Speech RecogniTIon，(ASR)，其目標(biāo)是將人類的語音中的詞匯內(nèi)容轉(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。語音識別就好比“機(jī)器的聽覺系統(tǒng)”，它讓機(jī)器通過識別和理解，把語音信號轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令。

語音識別是一門涉及面很廣的交叉學(xué)科，它與聲學(xué)、語音學(xué)、語言學(xué)、信息理論、模式識別理論以及神經(jīng)生物學(xué)等學(xué)科都有非常密切的關(guān)系。語音識別技術(shù)正逐步成為計(jì)算機(jī)信息處理技術(shù)中的關(guān)鍵技術(shù)。

語音識別技術(shù)的發(fā)展

語音識別技術(shù)的研究最早開始于20世紀(jì)50年代， 1952 年貝爾實(shí)驗(yàn)室研發(fā)出了 10 個(gè)孤立數(shù)字的識別系統(tǒng)。從 20 世紀(jì) 60 年代開始，美國卡耐基梅隆大學(xué)的 Reddy 等開展了連續(xù)語音識別的研究，但是這段時(shí)間發(fā)展很緩慢。1969年貝爾實(shí)驗(yàn)室的 Pierce J 甚至在一封公開信中將語音識別比作近幾年不可能實(shí)現(xiàn)的事情。

20世紀(jì)80年代開始，以隱馬爾可夫模型(hidden Markov model，HMM)方法為代表的基于統(tǒng)計(jì)模型方法逐漸在語音識別研究中占據(jù)了主導(dǎo)地位。HMM模型能夠很好地描述語音信號的短時(shí)平穩(wěn)特性，并且將聲學(xué)、語言學(xué)、句法等知識集成到統(tǒng)一框架中。此后，HMM的研究和應(yīng)用逐漸成為了主流。例如，第一個(gè)“非特定人連續(xù)語音識別系統(tǒng)”是當(dāng)時(shí)還在卡耐基梅隆大學(xué)讀書的李開復(fù)研發(fā)的SPHINX系統(tǒng)，其核心框架就是GMM-HMM框架，其中GMM(Gaussian mixture model，高斯混合模型)用來對語音的觀察概率進(jìn)行建模，HMM則對語音的時(shí)序進(jìn)行建模。

20世紀(jì)80年代后期，深度神經(jīng)網(wǎng)絡(luò)(deep neural network，DNN)的前身——人工神經(jīng)網(wǎng)絡(luò)(artificial neural network， ANN)也成為了語音識別研究的一個(gè)方向。但這種淺層神經(jīng)網(wǎng)絡(luò)在語音識別任務(wù)上的效果一般，表現(xiàn)并不如GMM-HMM 模型。

20世紀(jì)90年代開始，語音識別掀起了第一次研究和產(chǎn)業(yè)應(yīng)用的小高潮，主要得益于基于 GMM-HMM 聲學(xué)模型的區(qū)分性訓(xùn)練準(zhǔn)則和模型自適應(yīng)方法的提出。這時(shí)期劍橋發(fā)布的HTK開源工具包大幅度降低了語音識別研究的門檻。此后將近10年的時(shí)間里，語音識別的研究進(jìn)展一直比較有限，基于GMM-HMM 框架的語音識別系統(tǒng)整體效果還遠(yuǎn)遠(yuǎn)達(dá)不到實(shí)用化水平，語音識別的研究和應(yīng)用陷入了瓶頸。

2006 年 Hinton]提出使用受限波爾茲曼機(jī)(restricted Boltzmann machine，RBM)對神經(jīng)網(wǎng)絡(luò)的節(jié)點(diǎn)做初始化，即深度置信網(wǎng)絡(luò)(deep belief network，DBN)。DBN解決了深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中容易陷入局部最優(yōu)的問題，自此深度學(xué)習(xí)的大潮正式拉開。

2009 年，Hinton 和他的學(xué)生Mohamed D將 DBN 應(yīng)用在語音識別聲學(xué)建模中，并且在TIMIT這樣的小詞匯量連續(xù)語音識別數(shù)據(jù)庫上獲得成功。

2011 年 DNN 在大詞匯量連續(xù)語音識別上獲得成功，語音識別效果取得了近10年來最大的突破。從此，基于深度神經(jīng)網(wǎng)絡(luò)的建模方式正式取代GMM-HMM，成為主流的語音識別建模方式。

語音識別的基本原理

所謂語音識別，就是將一段語音信號轉(zhuǎn)換成相對應(yīng)的文本信息，系統(tǒng)主要包含特征提取、聲學(xué)模型，語言模型以及字典與解碼四大部分，其中為了更有效地提取特征往往還需要對所采集到的聲音信號進(jìn)行濾波、分幀等預(yù)處理工作，把要分析的信號從原始信號中提取出來;之后，特征提取工作將聲音信號從時(shí)域轉(zhuǎn)換到頻域，為聲學(xué)模型提供合適的特征向量;聲學(xué)模型中再根據(jù)聲學(xué)特性計(jì)算每一個(gè)特征向量在聲學(xué)特征上的得分;而語言模型則根據(jù)語言學(xué)相關(guān)的理論，計(jì)算該聲音信號對應(yīng)可能詞組序列的概率;最后根據(jù)已有的字典，對詞組序列進(jìn)行解碼，得到最后可能的文本表示。

聲學(xué)信號預(yù)處理

作為語音識別的前提與基礎(chǔ)，語音信號的預(yù)處理過程至關(guān)重要。在最終進(jìn)行模板匹配的時(shí)候，是將輸入語音信號的特征參數(shù)同模板庫中的特征參數(shù)進(jìn)行對比，因此，只有在預(yù)處理階段得到能夠表征語音信號本質(zhì)特征的特征參數(shù)，才能夠?qū)⑦@些特征參數(shù)進(jìn)行匹配進(jìn)行識別率高的語音識別。

首先需要對聲音信號進(jìn)行濾波與采樣，此過程主要是為了排除非人體發(fā)聲以外頻率的信號與50Hz電流頻率的干擾，該過程一般是用一個(gè)帶通濾波器、設(shè)定上下戒指頻率進(jìn)行濾波，再將原有離散信號進(jìn)行量化處理實(shí)現(xiàn)的;之后需要平滑信號的高頻與低頻部分的銜接段，從而可以在同一信噪比條件下對頻譜進(jìn)行求解，使得分析更為方便快捷;分幀加窗操作是為了將原有頻域隨時(shí)間變化的信號具有短時(shí)平穩(wěn)特性，即將連續(xù)的信號用不同長度的采集窗口分成一個(gè)個(gè)獨(dú)立的頻域穩(wěn)定的部分以便于分析，此過程主要是采用預(yù)加重技術(shù);最后還需要進(jìn)行端點(diǎn)檢測工作，也就是對輸入語音信號的起止點(diǎn)進(jìn)行正確判斷，這主要是通過短時(shí)能量(同一幀內(nèi)信號變化的幅度)與短時(shí)平均過零率(同一幀內(nèi)采樣信號經(jīng)過零的次數(shù))來進(jìn)行大致的判定。

聲學(xué)特征提取

完成信號的預(yù)處理之后，隨后進(jìn)行的就是整個(gè)過程中極為關(guān)鍵的特征提取的操作。將原始波形進(jìn)行識別并不能取得很好的識別效果，頻域變換后提取的特征參數(shù)用于識別，而能用于語音識別的特征參數(shù)必須滿足以下幾點(diǎn)：

1、特征參數(shù)能夠盡量描述語音的根本特征;

2、盡量降低參數(shù)分量之間的耦合，對數(shù)據(jù)進(jìn)行壓縮;

3、應(yīng)使計(jì)算特征參數(shù)的過程更加簡便，使算法更加高效?；糁芷凇⒐舱穹逯档葏?shù)都可以作為表征語音特性的特征參數(shù)。

目前主流研究機(jī)構(gòu)最常用到的特征參數(shù)有：線性預(yù)測倒譜系數(shù)(LPCC)和 Mel 倒譜系數(shù)(MFCC)。兩種特征參數(shù)在倒譜域上對語音信號進(jìn)行操作，前者以發(fā)聲模型作為出發(fā)點(diǎn)，利用 LPC 技術(shù)求倒譜系數(shù)。后者則模擬聽覺模型，把語音經(jīng)過濾波器組模型的輸出做為聲學(xué)特征，然后利用離散傅里葉變換(DFT)進(jìn)行變換。

所謂基音周期，是指聲帶振動(dòng)頻率(基頻)的振動(dòng)周期，因其能夠有效表征語音信號特征，因此從最初的語音識別研究開始，基音周期檢測就是一個(gè)至關(guān)重要的研究點(diǎn);所謂共振峰，是指語音信號中能量集中的區(qū)域，因其表征了聲道的物理特征，并且是發(fā)音音質(zhì)的主要決定條件，因此同樣是十分重要的特征參數(shù)。此外，目前也有許多研究者開始將深度學(xué)習(xí)中一些方法應(yīng)用在特征提取中，取得了較快的進(jìn)展。

聲學(xué)模型

聲學(xué)模型是語音識別系統(tǒng)中非常重要的一個(gè)組件，對不同基本單元的區(qū)分能力直接關(guān)系到識別結(jié)果的好壞。語音識別本質(zhì)上一個(gè)模式識別的過程，而模式識別的核心是分類器和分類決策的問題。

通常，在孤立詞、中小詞匯量識別中使用動(dòng)態(tài)時(shí)間規(guī)整(DTW)分類器會有良好的識別效果，并且識別速度快，系統(tǒng)開銷小，是語音識別中很成功的匹配算法。但是，在大詞匯量、非特定人語音識別的時(shí)候，DTW 識別效果就會急劇下降，這時(shí)候使用隱馬爾科夫模型(HMM)進(jìn)行訓(xùn)練識別效果就會有明顯提升，由于在傳統(tǒng)語音識別中一般采用連續(xù)的高斯混合模型GMM來對狀態(tài)輸出密度函數(shù)進(jìn)行刻畫，因此又稱為GMM-HMM構(gòu)架。

同時(shí)，隨著深度學(xué)習(xí)的發(fā)展，通過深度神經(jīng)網(wǎng)絡(luò)來完成聲學(xué)建模，形成所謂的DNN-HMM構(gòu)架來取代傳統(tǒng)的GMM-HMM構(gòu)架，在語音識別上也取得了很好的效果。

高斯混合模型

對于一個(gè)隨機(jī)向量 x，如果它的聯(lián)合概率密度函數(shù)符合公式2-9，則稱它服從高斯分布，并記為 x ～N(μ, Σ)。

其中，μ 為分布的期望，Σ 為分布的協(xié)方差矩陣。高斯分布有很強(qiáng)的近似真實(shí)世界數(shù)據(jù)的能力，同時(shí)又易于計(jì)算，因此被廣泛地應(yīng)用在各個(gè)學(xué)科之中。但是，仍然有很多類型的數(shù)據(jù)不好被一個(gè)高斯分布所描述。這時(shí)候我們可以使用多個(gè)高斯分布的混合分布來描述這些數(shù)據(jù)，由多個(gè)分量分別負(fù)責(zé)不同潛在的數(shù)據(jù)來源。此時(shí)，隨機(jī)變量符合密度函數(shù)。

其中，M 為分量的個(gè)數(shù)，通常由問題規(guī)模來確定。

我們稱認(rèn)為數(shù)據(jù)服從混合高斯分布所使用的模型為高斯混合模型。高斯混合模型被廣泛的應(yīng)用在很多語音識別系統(tǒng)的聲學(xué)模型中?？紤]到在語音識別中向量的維數(shù)相對較大，所以我們通常會假設(shè)混合高斯分布中的協(xié)方差矩陣 Σm 為對角矩陣。這樣既大大減少了參數(shù)的數(shù)量，同時(shí)可以提高計(jì)算的效率。

使用高斯混合模型對短時(shí)特征向量建模有以下幾個(gè)好處：首先，高斯混合模型的具有很強(qiáng)的建模能力，只要分量總數(shù)足夠多，高斯混合模型就可以以任意精度來逼近一個(gè)概率分布函數(shù);另外，使用 EM 算法可以很容易地使模型在訓(xùn)練數(shù)據(jù)上收斂。對于計(jì)算速度和過擬合等問題，人們還研究出了參數(shù)綁定的 GMM 和子空間高斯混合模型 (subspace GMM) 來解決。除了使用 EM 算法作最大似然估計(jì)以外，我們還可以使用和詞或音素錯(cuò)誤率直接相關(guān)的區(qū)分性的誤差函數(shù)來訓(xùn)練高斯混合模型，能夠極大地提高系統(tǒng)性能。因此，直到在聲學(xué)模型中使用深度神經(jīng)網(wǎng)絡(luò)的技術(shù)出現(xiàn)之前，高斯混合模型一直是短時(shí)特征向量建模的不二選擇。

但是，高斯混合模型同樣具有一個(gè)嚴(yán)重的缺點(diǎn)：高斯混合模型對于靠近向量空間上一個(gè)非線性流形 (manifold) 上的數(shù)據(jù)建模能力非常差。例如，假設(shè)一些數(shù)據(jù)分布在一個(gè)球面兩側(cè)，且距離球面非常近。如果使用一個(gè)合適的分類模型，我們可能只需要很少的參數(shù)就可以將球面兩側(cè)的數(shù)據(jù)區(qū)分開。但是，如果使用高斯混合模型描繪他們的實(shí)際分布情況，我們需要非常多的高斯分布分量才能足夠精確地刻畫。這驅(qū)使我們尋找一個(gè)能夠更有效利用語音信息進(jìn)行分類的模型。

隱馬爾科夫模型

我們現(xiàn)在考慮一個(gè)離散的隨機(jī)序列，若轉(zhuǎn)移概率符合馬爾可夫性質(zhì)，即將來狀態(tài)和過去狀態(tài)獨(dú)立，則稱其為一條馬爾可夫鏈 (Markov Chain)。若轉(zhuǎn)移概率和時(shí)間無關(guān)，則稱其為齊次 (homogeneous) 馬爾可夫鏈。馬爾可夫鏈的輸出和預(yù)先定義好的狀態(tài)一一對應(yīng)，對于任意給定的狀態(tài)，輸出是可觀測的，沒有隨機(jī)性。如果我們對輸出進(jìn)行擴(kuò)展，使馬爾可夫鏈的每個(gè)狀態(tài)輸出為一個(gè)概率分布函數(shù)。這樣的話馬爾可夫鏈的狀態(tài)不能被直接觀測到，只能通過受狀態(tài)變化影響的符合概率分布的其他變量來推測。我們稱以這種以隱馬爾可夫序列假設(shè)來建模數(shù)據(jù)的模型為隱馬爾可夫模型。

對應(yīng)到語音識別系統(tǒng)中，我們使用隱馬爾可夫模型來刻畫一個(gè)音素內(nèi)部子狀態(tài)變化，來解決特征序列到多個(gè)語音基本單元之間對應(yīng)關(guān)系的問題。

在語音識別任務(wù)中使用隱馬爾可夫模型需要計(jì)算模型在一段語音片段上的可能性。而在訓(xùn)練的時(shí)候，我們需要使用 Baum-Welch 算法[23] 學(xué)習(xí)隱馬爾可夫模型參數(shù)，進(jìn)行最大似然估計(jì) (Maximum Likelihood Estimation, MLE)。Baum-Welch 算法是EM (Expectation-Maximization) 算法的一種特例，利用前后項(xiàng)概率信息迭代地依次進(jìn)行計(jì)算條件期望的 E 步驟和最大化條件期望的 M 步驟。

語言模型

語言模型主要是刻畫人類語言表達(dá)的方式習(xí)慣，著重描述了詞與詞在排列結(jié)構(gòu)上的內(nèi)在聯(lián)系。在語音識別解碼的過程中，在詞內(nèi)轉(zhuǎn)移參考發(fā)聲詞典、詞間轉(zhuǎn)移參考語言模型，好的語言模型不僅能夠提高解碼效率，還能在一定程度上提高識別率。語言模型分為規(guī)則模型和統(tǒng)計(jì)模型兩類，統(tǒng)計(jì)語言模型用概率統(tǒng)計(jì)的方法來刻畫語言單位內(nèi)在的統(tǒng)計(jì)規(guī)律，其設(shè)計(jì)簡單實(shí)用而且取得了很好的效果，已經(jīng)被廣泛用于語音識別、機(jī)器翻譯、情感識別等領(lǐng)域。

最簡單又卻又最常用的語言模型是 N 元語言模型 (N-gram Language Model,N-gram LM) 。N 元語言模型假設(shè)當(dāng)前在給定上文環(huán)境下，當(dāng)前詞的概率只與前N-1 個(gè)詞相關(guān)。于是詞序列 w1, . . . , wm 的概率 P(w1, . . . , wm) 可以近似為

為了得到公式中的每一個(gè)詞在給定上文下的概率，我們需要一定數(shù)量的該語言文本來估算?？梢灾苯邮褂冒衔牡脑~對在全部上文詞對中的比例來計(jì)算該概率，即

對于在文本中未出現(xiàn)的詞對，我們需要使用平滑方法來進(jìn)行近似，如 Good-Turing估計(jì)或 Kneser-Ney 平滑等。

解碼與字典

****是識別階段的核心組件，通過訓(xùn)練好的模型對語音進(jìn)行解碼，獲得最可能的詞序列，或者根據(jù)識別中間結(jié)果生成識別網(wǎng)格 (lattice) 以供后續(xù)組件處理。****部分的核心算法是動(dòng)態(tài)規(guī)劃算法 Viterbi。由于解碼空間非常巨大，通常我們在實(shí)際應(yīng)用中會使用限定搜索寬度的令牌傳遞方法 (token passing)。

傳統(tǒng)****會完全動(dòng)態(tài)生成解碼圖 (decode graph)，如著名語音識別工具HTK(HMM Tool Kit) 中的 HVite 和 HDecode 等。這樣的實(shí)現(xiàn)內(nèi)存占用較小，但考慮到各個(gè)組件的復(fù)雜性，整個(gè)系統(tǒng)的流程繁瑣，不方便高效地將語言模型和聲學(xué)模型結(jié)合起來，同時(shí)更加難以擴(kuò)展?，F(xiàn)在主流的****實(shí)現(xiàn)會一定程度上使用預(yù)生成的有限狀態(tài)變換器 (Finite State Transducer, FST) 作為預(yù)加載的靜態(tài)解碼圖。這里我們可以將語言模型 (G)，詞匯表(L)，上下文相關(guān)信息 (C)，隱馬爾可夫模型(H)四個(gè)部分分別構(gòu)建為標(biāo)準(zhǔn)的有限狀態(tài)變換器，再通過標(biāo)準(zhǔn)的有限狀態(tài)變換器操作將他們組合起來，構(gòu)建一個(gè)從上下文相關(guān)音素子狀態(tài)到詞的變換器。這樣的實(shí)現(xiàn)方法額外使用了一些內(nèi)存空間，但讓****的指令序列變得更加整齊，使得一個(gè)高效的****的構(gòu)建更加容易。同時(shí)，我們可以對預(yù)先構(gòu)建的有限狀態(tài)變換器進(jìn)行預(yù)優(yōu)化，合并和剪掉不必要的部分，使得搜索空間變得更加合理

語音識別技術(shù)的工作原理

首先，我們知道聲音實(shí)際上是一種波。常見的mp3等格式都是壓縮格式，必須轉(zhuǎn)成非壓縮的純波形文件來處理，比如Windows PCM文件，也就是俗稱的wav文件。wav文件里存儲的除了一個(gè)文件頭以外，就是聲音波形的一個(gè)個(gè)點(diǎn)了。下圖是一個(gè)波形的示例。

圖中，每幀的長度為25毫秒，每兩幀之間有25-10=15毫秒的交疊。我們稱為以幀長25ms、幀移10ms分幀。

分幀后，語音就變成了很多小段。但波形在時(shí)域上幾乎沒有描述能力，因此必須將波形作變換。常見的一種變換方法是提取MFCC特征，根據(jù)人耳的生理特性，把每一幀波形變成一個(gè)多維向量，可以簡單地理解為這個(gè)向量包含了這幀語音的內(nèi)容信息。這個(gè)過程叫做聲學(xué)特征提取。

至此，聲音就成了一個(gè)12行(假設(shè)聲學(xué)特征是12維)、N列的一個(gè)矩陣，稱之為觀察序列，這里N為總幀數(shù)。觀察序列如下圖所示，圖中，每一幀都用一個(gè)12維的向量表示，色塊的顏色深淺表示向量值的大小。

接下來就要介紹怎樣把這個(gè)矩陣變成文本了。首先要介紹兩個(gè)概念：

音素：單詞的發(fā)音由音素構(gòu)成。對英語，一種常用的音素集是卡內(nèi)基梅隆大學(xué)的一套由39個(gè)音素構(gòu)成的音素集。漢語一般直接用全部聲母和韻母作為音素集，另外漢語識別還分有調(diào)無調(diào)，不詳述。

狀態(tài)：這里理解成比音素更細(xì)致的語音單位就行啦。通常把一個(gè)音素劃分成3個(gè)狀態(tài)。

語音識別是怎么工作的呢?實(shí)際上一點(diǎn)都不神秘，無非是：

第一步，把幀識別成狀態(tài)。

第二步，把狀態(tài)組合成音素。

第三步，把音素組合成單詞。

如下圖所示：

圖中，每個(gè)小豎條代表一幀，若干幀語音對應(yīng)一個(gè)狀態(tài)，每三個(gè)狀態(tài)組合成一個(gè)音素，若干個(gè)音素組合成一個(gè)單詞。也就是說，只要知道每幀語音對應(yīng)哪個(gè)狀態(tài)了，語音識別的結(jié)果也就出來了。

那每幀音素對應(yīng)哪個(gè)狀態(tài)呢?有個(gè)容易想到的辦法，看某幀對應(yīng)哪個(gè)狀態(tài)的概率最大，那這幀就屬于哪個(gè)狀態(tài)。比如下面的示意圖，這幀在狀態(tài)S3上的條件概率最大，因此就猜這幀屬于狀態(tài)S3。

那這些用到的概率從哪里讀取呢?有個(gè)叫“聲學(xué)模型”的東西，里面存了一大堆參數(shù)，通過這些參數(shù)，就可以知道幀和狀態(tài)對應(yīng)的概率。獲取這一大堆參數(shù)的方法叫做“訓(xùn)練”，需要使用巨大數(shù)量的語音數(shù)據(jù)。

但這樣做有一個(gè)問題：每一幀都會得到一個(gè)狀態(tài)號，最后整個(gè)語音就會得到一堆亂七八糟的狀態(tài)號，相鄰兩幀間的狀態(tài)號基本都不相同。假設(shè)語音有1000幀，每幀對應(yīng)1個(gè)狀態(tài)，每3個(gè)狀態(tài)組合成一個(gè)音素，那么大概會組合成300個(gè)音素，但這段語音其實(shí)根本沒有這么多音素。如果真這么做，得到的狀態(tài)號可能根本無法組合成音素。實(shí)際上，相鄰幀的狀態(tài)應(yīng)該大多數(shù)都是相同的才合理，因?yàn)槊繋芏獭?/p>

解決這個(gè)問題的常用方法就是使用隱馬爾可夫模型(Hidden Markov Model，HMM)。這東西聽起來好像很高深的樣子，實(shí)際上用起來很簡單：

第一步，構(gòu)建一個(gè)狀態(tài)網(wǎng)絡(luò)。

第二步，從狀態(tài)網(wǎng)絡(luò)中尋找與聲音最匹配的路徑。

這樣就把結(jié)果限制在預(yù)先設(shè)定的網(wǎng)絡(luò)中，避免了剛才說到的問題，當(dāng)然也帶來一個(gè)局限，比如你設(shè)定的網(wǎng)絡(luò)里只包含了“今天晴天”和“今天下雨”兩個(gè)句子的狀態(tài)路徑，那么不管說些什么，識別出的結(jié)果必然是這兩個(gè)句子中的一句。

那如果想識別任意文本呢?把這個(gè)網(wǎng)絡(luò)搭得足夠大，包含任意文本的路徑就可以了。但這個(gè)網(wǎng)絡(luò)越大，想要達(dá)到比較好的識別準(zhǔn)確率就越難。所以要根據(jù)實(shí)際任務(wù)的需求，合理選擇網(wǎng)絡(luò)大小和結(jié)構(gòu)。

搭建狀態(tài)網(wǎng)絡(luò)，是由單詞級網(wǎng)絡(luò)展開成音素網(wǎng)絡(luò)，再展開成狀態(tài)網(wǎng)絡(luò)。語音識別過程其實(shí)就是在狀態(tài)網(wǎng)絡(luò)中搜索一條最佳路徑，語音對應(yīng)這條路徑的概率最大，這稱之為“解碼”。路徑搜索的算法是一種動(dòng)態(tài)規(guī)劃剪枝的算法，稱之為Viterbi算法，用于尋找全局最優(yōu)路徑。

這里所說的累積概率，由三部分構(gòu)成，分別是：

觀察概率：每幀和每個(gè)狀態(tài)對應(yīng)的概率

轉(zhuǎn)移概率：每個(gè)狀態(tài)轉(zhuǎn)移到自身或轉(zhuǎn)移到下個(gè)狀態(tài)的概率

語言概率：根據(jù)語言統(tǒng)計(jì)規(guī)律得到的概率

其中，前兩種概率從聲學(xué)模型中獲取，最后一種概率從語言模型中獲取。語言模型是使用大量的文本訓(xùn)練出來的，可以利用某門語言本身的統(tǒng)計(jì)規(guī)律來幫助提升識別正確率。語言模型很重要，如果不使用語言模型，當(dāng)狀態(tài)網(wǎng)絡(luò)較大時(shí)，識別出的結(jié)果基本是一團(tuán)亂麻。

這樣基本上語音識別過程就完成了,這就是語音識別技術(shù)的工作原理。

語音識別技術(shù)的工作流程

一般來說，一套完整的語音識別系統(tǒng)其工作過程分為7步：

1、對語音信號進(jìn)行分析和處理，除去冗余信息。

2、提取影響語音識別的關(guān)鍵信息和表達(dá)語言含義的特征信息。

3、緊扣特征信息，用最小單元識別字詞。

4、按照不同語言的各自語法，依照先后次序識別字詞。

5、把前后意思當(dāng)作輔助識別條件，有利于分析和識別。

6、按照語義分析，給關(guān)鍵信息劃分段落，取出所識別出的字詞并連接起來，同時(shí)根據(jù)語句意思調(diào)整句子構(gòu)成。

7、結(jié)合語義，仔細(xì)分析上下文的相互聯(lián)系，對當(dāng)前正在處理的語句進(jìn)行適當(dāng)修正。

語音識別原理有三點(diǎn)：

1、對語音信號中的語言信息編碼是按照幅度譜的時(shí)間變化來進(jìn)行;

2、由于語音是可以閱讀的，也就是說聲學(xué)信號可以在不考慮說話人說話傳達(dá)的信息內(nèi)容的前提下用多個(gè)具有區(qū)別性的、離散的符號來表示;

3、語音的交互是一個(gè)認(rèn)知過程，所以絕對不能與語法、語義和用語規(guī)范等方面分裂開來。

預(yù)處理，其中就包括對語音信號進(jìn)行采樣、克服混疊濾波、去除部分由個(gè)體發(fā)音的差異和環(huán)境引起的噪聲影響，此外還會考慮到語音識別基本單元的選取和端點(diǎn)檢測問題。反復(fù)訓(xùn)練是在識別之前通過讓說話人多次重復(fù)語音，從原始語音信號樣本中去除冗余信息，保留關(guān)鍵信息，再按照一定規(guī)則對數(shù)據(jù)加以整理，構(gòu)成模式庫。再者是模式匹配，它是整個(gè)語音識別系統(tǒng)的核心部分，是根據(jù)一定規(guī)則以及計(jì)算輸入特征與庫存模式之間的相似度，進(jìn)而判斷出輸入語音的意思。

前端處理，先對原始語音信號進(jìn)行處理，再進(jìn)行特征提取，消除噪聲和不同說話人的發(fā)音差異帶來的影響，使處理后的信號能夠更完整地反映語音的本質(zhì)特征提取，消除噪聲和不同說話人的發(fā)音差異帶來的影響，使處理后的信號能夠更完整地反映語音的本質(zhì)特征。