劉明輝，徐 莉

（天津三星通信技術(shù)研究有限公司，天津 300385）

傳統(tǒng)的人機交互是通過觸覺來實現(xiàn)對機器的操作和控制，但是這種操作方式有很大的弊端。操作不方便，費時，尤其是針對視覺障礙的人士來說更加困難。隨著社會節(jié)奏的不斷加快，人們希望使用一種更加便捷的方式來替代觸覺對機器的操控。在這種大背景下智能語音系統(tǒng)的出現(xiàn)體現(xiàn)了其優(yōu)勢，越來越多的智能設(shè)備采用了這種智能語音的技術(shù)來實現(xiàn)操控。智能語音控制系統(tǒng)大體分為兩個部分：語音合成系統(tǒng)和語音識別系統(tǒng)。

1 語音控制系統(tǒng)介紹

1.1 語音合成系統(tǒng)介紹

語音合成（Text To Speech）是通過機械的、電子的方法產(chǎn)生人造語音的技術(shù)。傳統(tǒng)工業(yè)領(lǐng)域使用的語音控制方式是通過可編程控制器plc控制數(shù)碼語音芯片，從而實現(xiàn)語音的分段錄音，組合回放。通過軟件的修改實現(xiàn)長段錄音，循環(huán)播放等功能，從而實現(xiàn)在工業(yè)控制方面的語音合成與解析。這種語音系統(tǒng)，廣泛應(yīng)用于電腦語音中，語音型數(shù)字萬用表，排隊機，以及公共汽車報站等領(lǐng)域[1]。

傳統(tǒng)的語音合成系統(tǒng)，存儲空間較小，其合成詞語受限，只能合成有限的詞語句子，應(yīng)用的場景非常有限；其次，由于語音控制芯片參差不齊，其語音合成效率不高，合成效果差。除此之外，還需要通過算法來優(yōu)化語音合成效果。改進的以服務(wù)器為核心的語音合成系統(tǒng)，由于其擁有存儲容量大，可實現(xiàn)cpu多核處理和處理速度快等優(yōu)勢，可直接錄制真人語音樣本用于語音播放，不需要算法合成，效率高，質(zhì)量好。并且可以根據(jù)用途，提前錄制語音反饋樣本，極大的擴展了語音控制系統(tǒng)的應(yīng)用范圍。

1.2 語音識別系統(tǒng)介紹

語音識別，也被稱為自動語音識別（Automatic Speech Recognition，ASR）技術(shù)，就是讓機器通過識別和理解過程把語音信號轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的技術(shù)，也就是讓機器聽懂人類的語音。由于語音信號的多樣性和復(fù)雜性，傳統(tǒng)的語音識別系統(tǒng)只能在一定的限制條件下獲得滿意的性能，或者說只能應(yīng)用于某些特定的場合[2]。比如目前的語音識別系統(tǒng)，僅對單一指令識別效果較好，對一條語音中包含兩條以上指令的語句，系統(tǒng)無法準確解析并執(zhí)行用戶指令。改進的以服務(wù)器為核心的語音識別系統(tǒng)，可以對復(fù)雜的語音指令識別，通過RU標準語句，和RSU標準生成子語句，分別對系統(tǒng)進行訓練，簡單來說，RU語句就是非常準確的標準的精簡的語句指令，要求用戶精準發(fā)出指令，這種指令由于覆蓋精準，語料集小，所以處理速度快，效率高，但是對用戶發(fā)出指令的要求高，而RSU則是研究人員根據(jù)RU指令，對標準語句進行擴展，使服務(wù)器能夠解析口語化的指令，由于語料集的擴大，從而更能提高理解用戶指令的質(zhì)量。通過這兩種方法對模型進行訓練，可以既保證識別速度，又可以對口語化的指令進行精準識別，達到正確識別用戶語義的效果。

2 改進的語音控制系統(tǒng)

2.1 系統(tǒng)組成

該系統(tǒng)由終端設(shè)備模塊，語音分析模塊，服務(wù)器以及服務(wù)器數(shù)據(jù)庫組成。用戶通過手持設(shè)備和終端進行語音輸入。手持設(shè)備和終端對用戶輸入的語音進行信號轉(zhuǎn)換然后將解析的語音信號發(fā)送給服務(wù)器，服務(wù)器內(nèi)預(yù)置了提前訓練的匹配規(guī)則，這種匹配規(guī)則是研究人員通過大量的市場調(diào)查制定的規(guī)則，然后接收到的語音信號與預(yù)先預(yù)制規(guī)則進行匹配，當匹配準確度達到預(yù)先設(shè)定的一個閾值時。服務(wù)器即把此規(guī)則認為成用戶發(fā)送的指令。然后在服務(wù)器中的數(shù)據(jù)庫找到相應(yīng)規(guī)則的實現(xiàn)指令。然后將這個實現(xiàn)指令逐條的發(fā)送給手持設(shè)備終端。手持設(shè)備終端根據(jù)發(fā)送的指令進行執(zhí)行。執(zhí)行完后，再將結(jié)果反饋給服務(wù)器，服務(wù)器根據(jù)反饋結(jié)果下發(fā)第二條指令或終止指令。

2.2 系統(tǒng)實現(xiàn)過程

終端設(shè)備可以是手機，筆記本電腦和其他手持終端設(shè)備。用戶可以通過此終端設(shè)備進行語音控制。同時根據(jù)數(shù)據(jù)庫下發(fā)的指令。實現(xiàn)用戶語音控制的目的。

語音分析模塊，此模塊的功能主要是把輸入的語音分解成一定的語音規(guī)則。此規(guī)則，我們根據(jù)詞語的重要程度進行劃分。增大有意義的實詞的比例，刪除沒有意義的虛詞。然后將解析好的語句上傳給服務(wù)器。

服務(wù)器端，提前根據(jù)研究員制訂的一系列常用的匹配規(guī)則進行訓練。而數(shù)據(jù)庫中存放的是這些規(guī)則對應(yīng)的執(zhí)行指令。一條規(guī)則會對應(yīng)多條執(zhí)行指令來完成這個功能。服務(wù)器接收到語音分析模塊上傳的語音。解析的結(jié)果和服務(wù)器中的規(guī)則進行匹配。當匹配到某一個規(guī)則后。服務(wù)器從數(shù)據(jù)庫中找到相應(yīng)的執(zhí)行指令通過json文件下發(fā)給終端設(shè)備。

數(shù)據(jù)庫將指令下發(fā)給終端設(shè)備。設(shè)備實行完指令后，如果成功執(zhí)行，則將成功碼反饋給服務(wù)器，然后服務(wù)器在進行第二條執(zhí)行指令的下發(fā)，直到完成最終的指令。如果終端正確執(zhí)行指令，則服務(wù)器收到完成指令后下發(fā)完成語音。終端將完成語音廣播出去。如果終端沒有正確執(zhí)行，則將錯誤碼反饋給服務(wù)器。服務(wù)器根據(jù)反饋的錯誤碼下發(fā)預(yù)制的語音數(shù)據(jù)給終端設(shè)備。

3 結(jié)束語

綜上所述，以服務(wù)器為核心的語音控制系統(tǒng)由于使用服務(wù)器進行語音的處理和合成，所以，可以有效的改善提高語音合成的效率和合成音質(zhì)，避免了傳統(tǒng)語音控制系統(tǒng)的合成詞匯有限的弊端。此外，隨著相關(guān)研究人員在這一方面的工作經(jīng)驗的不斷豐富，手持終端設(shè)備的不斷的多樣化，這種語音控制系統(tǒng)語音識別和合成的效果會大大優(yōu)化，語音控制的效率和準確度能夠大幅度提高，并廣泛的應(yīng)用于工作和生活中。

[1] 范會敏，何鑫.中文語音合成系統(tǒng)的設(shè)計與實現(xiàn)[J].計算機系統(tǒng)應(yīng)用，2017，（02）：73-77.

[2] 張仕良.基于深度神經(jīng)網(wǎng)絡(luò)的語音識別模型研究[D].中國科學技術(shù)大學，2017.