王雯婕

摘要：隨著機(jī)器學(xué)習(xí)領(lǐng)域深度學(xué)習(xí)研究，以及大數(shù)據(jù)語(yǔ)料的積累，語(yǔ)音識(shí)別技術(shù)得到突飛猛進(jìn)的發(fā)展，開始從實(shí)驗(yàn)室走向市場(chǎng)。語(yǔ)音識(shí)別技術(shù)已經(jīng)逐漸進(jìn)入工業(yè)、家電、通信、汽車電子、醫(yī)療、家庭服務(wù)、消費(fèi)電子產(chǎn)品等各個(gè)領(lǐng)域。本文主要分析和總結(jié)了當(dāng)前幾種具有代表性的語(yǔ)音識(shí)別方法，介紹了其中關(guān)鍵的語(yǔ)音信號(hào)處理和語(yǔ)言模型建立的方法，最后總結(jié)了目前語(yǔ)音識(shí)別技術(shù)領(lǐng)域的研究成果及進(jìn)展。

關(guān)鍵詞：語(yǔ)音識(shí)別;信號(hào)處理;機(jī)器學(xué)習(xí);人工智能;概率統(tǒng)計(jì)

1研究背景

語(yǔ)音信號(hào)處理，主要包括三項(xiàng)技術(shù)，即語(yǔ)音識(shí)別、語(yǔ)音編碼和語(yǔ)音合成。本文所研究的自動(dòng)語(yǔ)音識(shí)別技術(shù)，就是讓機(jī)器通過識(shí)別和理解把語(yǔ)音信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的高技術(shù)。70年代，語(yǔ)音識(shí)別技術(shù)有了重大突破，動(dòng)態(tài)時(shí)間規(guī)整技術(shù)基本成熟，使語(yǔ)音變得可以等長(zhǎng)，另外，矢量量化和隱馬爾科夫模型理論也不斷完善，為之后語(yǔ)音識(shí)別的發(fā)展做了鋪墊;80年代對(duì)語(yǔ)音識(shí)別的研究更為徹底，各種語(yǔ)音識(shí)別算法被提出，其中的突出成就包括HMM模型人工神經(jīng)網(wǎng)絡(luò);目前許多國(guó)內(nèi)外知名研究機(jī)構(gòu)，如微軟、訊飛、Google、IBM都積極開展對(duì)深度學(xué)習(xí)的研究?，F(xiàn)在，國(guó)內(nèi)有不少語(yǔ)音識(shí)別系統(tǒng)已研制成功。這些系統(tǒng)的性能各具特色——在孤立字大詞匯量語(yǔ)音識(shí)別方面，最具代表性的要數(shù)92年清華大學(xué)電子工程系與中國(guó)電子器件公司合作研制成功的THED-919特定人語(yǔ)音識(shí)別與理解實(shí)時(shí)系統(tǒng)[4]? 。

2語(yǔ)音識(shí)別技術(shù)

2.1? 語(yǔ)音信號(hào)采集

語(yǔ)音信號(hào)采集是語(yǔ)音信號(hào)處理的前提。語(yǔ)音通常通過話筒輸入計(jì)算機(jī)。話筒將聲波轉(zhuǎn)換為電壓信號(hào)，然后通過A/D裝置（如聲卡）進(jìn)行采樣，從而將連續(xù)的電壓信號(hào)轉(zhuǎn)換為計(jì)算機(jī)能夠處理的數(shù)字信號(hào)。目前多媒體計(jì)算機(jī)已經(jīng)非常普及，聲卡、音箱、話筒等已是個(gè)人計(jì)算機(jī)的基本設(shè)備。其中聲卡是計(jì)算機(jī)對(duì)語(yǔ)音信號(hào)進(jìn)行加工的重要部件，它具有對(duì)信號(hào)濾波、放大、A/D和D/A轉(zhuǎn)換等功能。而且，現(xiàn)代操作系統(tǒng)都附帶錄音軟件，通過它可以驅(qū)動(dòng)聲卡采集語(yǔ)音信號(hào)并保存為語(yǔ)音文件。

2.2? 語(yǔ)音信號(hào)預(yù)處理

語(yǔ)音信號(hào)號(hào)在采集后首先要進(jìn)行濾波、A/D變換，預(yù)加重和端點(diǎn)檢測(cè)等預(yù)處理，然后才能進(jìn)入識(shí)別、合成、增強(qiáng)等實(shí)際應(yīng)用。濾波的目的有兩個(gè)：一是抑制輸入信號(hào)中頻率超出FS/2的所有分量（FS為采樣頻率），以防止混疊干擾;二是抑制50Hz的電源工頻干擾。因此，濾波器應(yīng)該是一個(gè)帶通濾波器。A/D變換是將語(yǔ)音模擬信號(hào)轉(zhuǎn)換為數(shù)字信號(hào)。A/D變換中要對(duì)信號(hào)進(jìn)行量化，量化后的信號(hào)值與原信號(hào)值之間的差值為量化誤差，又稱為量化噪聲。預(yù)加重處理的目的是提升高頻部分，使信號(hào)的頻譜變得平坦，保持在低頻到高頻的整個(gè)頻帶中，能用同樣的信噪比求頻譜，便于頻譜分析。

2.3? 語(yǔ)音信號(hào)的特征參數(shù)提取

1、短時(shí)平均能量En和短時(shí)平均幅度

短時(shí)平均能量和的短時(shí)平均幅度主要用途如下：

（1）???? 可以作為區(qū)分清音和濁音的特征參數(shù)。

（2）???? 在信噪比較高的情況下，短時(shí)能量還可以作為區(qū)分有聲和無(wú)聲的依據(jù)。

（3）???? 可以作為輔助的特征參數(shù)用于語(yǔ)音識(shí)別中。

2、短時(shí)平均過零率

短時(shí)平均過零率的應(yīng)用：可以作為區(qū)分清音和濁音的特征參數(shù)。清音過零率高，濁音過零率低。用兩級(jí)判決法進(jìn)行語(yǔ)音端點(diǎn)檢測(cè)。

短時(shí)平均過零率的局限性：濁音和清音重疊區(qū)域只根據(jù)短時(shí)平均過零率不可能明確地判別清、濁音。

3、短時(shí)自相關(guān)分析

4、短時(shí)平均幅度差函數(shù)

5、基音周期估值

語(yǔ)音的濁音信號(hào)具有準(zhǔn)周期性，其自相關(guān)函數(shù)在基音周期的整數(shù)倍處取最大值。計(jì)算兩相鄰最大峰值間的距離，就可以估計(jì)出基音周期。為了突出反映基音周期的信息，同時(shí)壓縮其他無(wú)關(guān)信息，減小運(yùn)算量，自相關(guān)計(jì)算之前需要對(duì)語(yǔ)音信號(hào)進(jìn)行適當(dāng)預(yù)處理。

6、線性預(yù)測(cè)系數(shù)

在語(yǔ)音識(shí)別中，常用線性預(yù)測(cè)編碼技術(shù)抽取語(yǔ)音特征。線性預(yù)測(cè)編碼的基本思想是：語(yǔ)音信號(hào)采樣點(diǎn)之間存在相關(guān)性，可用過去的若干采樣點(diǎn)的線性組合預(yù)測(cè)當(dāng)前和將來(lái)的采樣點(diǎn)值。線性預(yù)測(cè)系數(shù)是以通過使預(yù)測(cè)信號(hào)和實(shí)際信號(hào)之間的均方誤差最小來(lái)唯一確定。語(yǔ)音線性預(yù)測(cè)系數(shù)作為語(yǔ)音信號(hào)的一種特征參數(shù)，已經(jīng)廣泛應(yīng)用于語(yǔ)音處理各個(gè)領(lǐng)域。

2.4? 語(yǔ)音識(shí)別的主要方法

語(yǔ)音識(shí)別所采用的方法一般有模板匹配法、隨機(jī)模型法和概率語(yǔ)法分析法三種。這三種方法都是建立在最大似然決策貝葉斯（Bayes）判決的基礎(chǔ)上的。

（1）模板（template）匹配法

在訓(xùn)練階段，用戶將詞匯表中的每一個(gè)詞依次說(shuō)一遍，并且將其特征向量作為模板存入模板庫(kù)。在識(shí)別階段，將輸入語(yǔ)音的特征向量序列，依次與模板庫(kù)中的每個(gè)模板進(jìn)行相似度比較，將相似度最高者作為識(shí)別結(jié)果輸出。

（2）?? 隨機(jī)模型法

隨機(jī)模型法是目前語(yǔ)音識(shí)別研究的主流。其突出的代表是隱馬爾可夫模型。語(yǔ)音信號(hào)在足夠短的時(shí)間段上的信號(hào)特征近似于穩(wěn)定，而總的過程可看成是依次相對(duì)穩(wěn)定的某一特性過渡到另一特性。隱馬爾可夫模型則用概率統(tǒng)計(jì)的方法來(lái)描述這樣一種時(shí)變的過程。

（3）?? 概率語(yǔ)法分析法

這種方法是用于大長(zhǎng)度范圍的連續(xù)語(yǔ)音識(shí)別。語(yǔ)音學(xué)家通過研究不同的語(yǔ)音語(yǔ)譜圖及其變化發(fā)現(xiàn)，雖然不同的人說(shuō)同一些語(yǔ)音時(shí)，相應(yīng)的語(yǔ)譜及其變化有種種差異，但是總有一些共同的特點(diǎn)足以使他們區(qū)別于其他語(yǔ)音，也即語(yǔ)音學(xué)家提出的“區(qū)別性特征”。

除了上面的三種語(yǔ)音識(shí)別方法外，還有許多其他的語(yǔ)音識(shí)別方法。例如，基于人工神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別方法，是目前的一個(gè)研究熱點(diǎn)。目前用于語(yǔ)音識(shí)別研究的神經(jīng)網(wǎng)絡(luò)有BP神經(jīng)網(wǎng)絡(luò)、Kohcmen特征映射神經(jīng)網(wǎng)絡(luò)等，特別是深度學(xué)習(xí)用于語(yǔ)音識(shí)別取得了長(zhǎng)足的進(jìn)步。

3結(jié)束語(yǔ)

本文簡(jiǎn)要介紹了語(yǔ)音識(shí)別的主要方法以及語(yǔ)音識(shí)別領(lǐng)域的發(fā)展與現(xiàn)狀，將語(yǔ)音識(shí)別的各個(gè)過程進(jìn)行了詳細(xì)介紹和概括總結(jié)，分析了各種語(yǔ)音識(shí)別方法的特點(diǎn)和實(shí)現(xiàn)方式。語(yǔ)音識(shí)別是一門交叉學(xué)科，它涉及到信號(hào)處理、模式識(shí)別、概率論和信息論、發(fā)聲機(jī)理和聽覺機(jī)理、人工智能等等方面的知識(shí)，所以它的發(fā)展依賴于各個(gè)領(lǐng)域的技術(shù)創(chuàng)新進(jìn)步。相信在不久的將來(lái)，語(yǔ)音識(shí)別技術(shù)一定會(huì)在語(yǔ)音交互、語(yǔ)音檢索、命令控制、自動(dòng)客戶服務(wù)、機(jī)器自動(dòng)翻譯等領(lǐng)域得到廣闊的應(yīng)用。

參考文獻(xiàn)：

[1]?? 趙力.語(yǔ)音信號(hào)處理[M].北京：機(jī)械工業(yè)出版社，2011.

[2]?? George Dahl、俞棟等.基于預(yù)訓(xùn)練的上下文相關(guān)深層神經(jīng)網(wǎng)絡(luò)的大詞匯語(yǔ)音識(shí)別.2012

王雯婕

摘要：隨著機(jī)器學(xué)習(xí)領(lǐng)域深度學(xué)習(xí)研究，以及大數(shù)據(jù)語(yǔ)料的積累，語(yǔ)音識(shí)別技術(shù)得到突飛猛進(jìn)的發(fā)展，開始從實(shí)驗(yàn)室走向市場(chǎng)。語(yǔ)音識(shí)別技術(shù)已經(jīng)逐漸進(jìn)入工業(yè)、家電、通信、汽車電子、醫(yī)療、家庭服務(wù)、消費(fèi)電子產(chǎn)品等各個(gè)領(lǐng)域。本文主要分析和總結(jié)了當(dāng)前幾種具有代表性的語(yǔ)音識(shí)別方法，介紹了其中關(guān)鍵的語(yǔ)音信號(hào)處理和語(yǔ)言模型建立的方法，最后總結(jié)了目前語(yǔ)音識(shí)別技術(shù)領(lǐng)域的研究成果及進(jìn)展。

關(guān)鍵詞：語(yǔ)音識(shí)別;信號(hào)處理;機(jī)器學(xué)習(xí);人工智能;概率統(tǒng)計(jì)

1研究背景

語(yǔ)音信號(hào)處理，主要包括三項(xiàng)技術(shù)，即語(yǔ)音識(shí)別、語(yǔ)音編碼和語(yǔ)音合成。本文所研究的自動(dòng)語(yǔ)音識(shí)別技術(shù)，就是讓機(jī)器通過識(shí)別和理解把語(yǔ)音信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的高技術(shù)。70年代，語(yǔ)音識(shí)別技術(shù)有了重大突破，動(dòng)態(tài)時(shí)間規(guī)整技術(shù)基本成熟，使語(yǔ)音變得可以等長(zhǎng)，另外，矢量量化和隱馬爾科夫模型理論也不斷完善，為之后語(yǔ)音識(shí)別的發(fā)展做了鋪墊;80年代對(duì)語(yǔ)音識(shí)別的研究更為徹底，各種語(yǔ)音識(shí)別算法被提出，其中的突出成就包括HMM模型人工神經(jīng)網(wǎng)絡(luò);目前許多國(guó)內(nèi)外知名研究機(jī)構(gòu)，如微軟、訊飛、Google、IBM都積極開展對(duì)深度學(xué)習(xí)的研究?，F(xiàn)在，國(guó)內(nèi)有不少語(yǔ)音識(shí)別系統(tǒng)已研制成功。這些系統(tǒng)的性能各具特色——在孤立字大詞匯量語(yǔ)音識(shí)別方面，最具代表性的要數(shù)92年清華大學(xué)電子工程系與中國(guó)電子器件公司合作研制成功的THED-919特定人語(yǔ)音識(shí)別與理解實(shí)時(shí)系統(tǒng)[4]? 。

2語(yǔ)音識(shí)別技術(shù)

2.1? 語(yǔ)音信號(hào)采集

語(yǔ)音信號(hào)采集是語(yǔ)音信號(hào)處理的前提。語(yǔ)音通常通過話筒輸入計(jì)算機(jī)。話筒將聲波轉(zhuǎn)換為電壓信號(hào)，然后通過A/D裝置（如聲卡）進(jìn)行采樣，從而將連續(xù)的電壓信號(hào)轉(zhuǎn)換為計(jì)算機(jī)能夠處理的數(shù)字信號(hào)。目前多媒體計(jì)算機(jī)已經(jīng)非常普及，聲卡、音箱、話筒等已是個(gè)人計(jì)算機(jī)的基本設(shè)備。其中聲卡是計(jì)算機(jī)對(duì)語(yǔ)音信號(hào)進(jìn)行加工的重要部件，它具有對(duì)信號(hào)濾波、放大、A/D和D/A轉(zhuǎn)換等功能。而且，現(xiàn)代操作系統(tǒng)都附帶錄音軟件，通過它可以驅(qū)動(dòng)聲卡采集語(yǔ)音信號(hào)并保存為語(yǔ)音文件。

2.2? 語(yǔ)音信號(hào)預(yù)處理

語(yǔ)音信號(hào)號(hào)在采集后首先要進(jìn)行濾波、A/D變換，預(yù)加重和端點(diǎn)檢測(cè)等預(yù)處理，然后才能進(jìn)入識(shí)別、合成、增強(qiáng)等實(shí)際應(yīng)用。濾波的目的有兩個(gè)：一是抑制輸入信號(hào)中頻率超出FS/2的所有分量（FS為采樣頻率），以防止混疊干擾;二是抑制50Hz的電源工頻干擾。因此，濾波器應(yīng)該是一個(gè)帶通濾波器。A/D變換是將語(yǔ)音模擬信號(hào)轉(zhuǎn)換為數(shù)字信號(hào)。A/D變換中要對(duì)信號(hào)進(jìn)行量化，量化后的信號(hào)值與原信號(hào)值之間的差值為量化誤差，又稱為量化噪聲。預(yù)加重處理的目的是提升高頻部分，使信號(hào)的頻譜變得平坦，保持在低頻到高頻的整個(gè)頻帶中，能用同樣的信噪比求頻譜，便于頻譜分析。

2.3? 語(yǔ)音信號(hào)的特征參數(shù)提取

1、短時(shí)平均能量En和短時(shí)平均幅度

短時(shí)平均能量和的短時(shí)平均幅度主要用途如下：

（1）???? 可以作為區(qū)分清音和濁音的特征參數(shù)。

（2）???? 在信噪比較高的情況下，短時(shí)能量還可以作為區(qū)分有聲和無(wú)聲的依據(jù)。

（3）???? 可以作為輔助的特征參數(shù)用于語(yǔ)音識(shí)別中。

2、短時(shí)平均過零率

短時(shí)平均過零率的應(yīng)用：可以作為區(qū)分清音和濁音的特征參數(shù)。清音過零率高，濁音過零率低。用兩級(jí)判決法進(jìn)行語(yǔ)音端點(diǎn)檢測(cè)。

短時(shí)平均過零率的局限性：濁音和清音重疊區(qū)域只根據(jù)短時(shí)平均過零率不可能明確地判別清、濁音。

3、短時(shí)自相關(guān)分析

4、短時(shí)平均幅度差函數(shù)

5、基音周期估值

語(yǔ)音的濁音信號(hào)具有準(zhǔn)周期性，其自相關(guān)函數(shù)在基音周期的整數(shù)倍處取最大值。計(jì)算兩相鄰最大峰值間的距離，就可以估計(jì)出基音周期。為了突出反映基音周期的信息，同時(shí)壓縮其他無(wú)關(guān)信息，減小運(yùn)算量，自相關(guān)計(jì)算之前需要對(duì)語(yǔ)音信號(hào)進(jìn)行適當(dāng)預(yù)處理。

6、線性預(yù)測(cè)系數(shù)

在語(yǔ)音識(shí)別中，常用線性預(yù)測(cè)編碼技術(shù)抽取語(yǔ)音特征。線性預(yù)測(cè)編碼的基本思想是：語(yǔ)音信號(hào)采樣點(diǎn)之間存在相關(guān)性，可用過去的若干采樣點(diǎn)的線性組合預(yù)測(cè)當(dāng)前和將來(lái)的采樣點(diǎn)值。線性預(yù)測(cè)系數(shù)是以通過使預(yù)測(cè)信號(hào)和實(shí)際信號(hào)之間的均方誤差最小來(lái)唯一確定。語(yǔ)音線性預(yù)測(cè)系數(shù)作為語(yǔ)音信號(hào)的一種特征參數(shù)，已經(jīng)廣泛應(yīng)用于語(yǔ)音處理各個(gè)領(lǐng)域。

2.4? 語(yǔ)音識(shí)別的主要方法

語(yǔ)音識(shí)別所采用的方法一般有模板匹配法、隨機(jī)模型法和概率語(yǔ)法分析法三種。這三種方法都是建立在最大似然決策貝葉斯（Bayes）判決的基礎(chǔ)上的。

（1）模板（template）匹配法

在訓(xùn)練階段，用戶將詞匯表中的每一個(gè)詞依次說(shuō)一遍，并且將其特征向量作為模板存入模板庫(kù)。在識(shí)別階段，將輸入語(yǔ)音的特征向量序列，依次與模板庫(kù)中的每個(gè)模板進(jìn)行相似度比較，將相似度最高者作為識(shí)別結(jié)果輸出。

（2）?? 隨機(jī)模型法

隨機(jī)模型法是目前語(yǔ)音識(shí)別研究的主流。其突出的代表是隱馬爾可夫模型。語(yǔ)音信號(hào)在足夠短的時(shí)間段上的信號(hào)特征近似于穩(wěn)定，而總的過程可看成是依次相對(duì)穩(wěn)定的某一特性過渡到另一特性。隱馬爾可夫模型則用概率統(tǒng)計(jì)的方法來(lái)描述這樣一種時(shí)變的過程。

（3）?? 概率語(yǔ)法分析法

這種方法是用于大長(zhǎng)度范圍的連續(xù)語(yǔ)音識(shí)別。語(yǔ)音學(xué)家通過研究不同的語(yǔ)音語(yǔ)譜圖及其變化發(fā)現(xiàn)，雖然不同的人說(shuō)同一些語(yǔ)音時(shí)，相應(yīng)的語(yǔ)譜及其變化有種種差異，但是總有一些共同的特點(diǎn)足以使他們區(qū)別于其他語(yǔ)音，也即語(yǔ)音學(xué)家提出的“區(qū)別性特征”。

除了上面的三種語(yǔ)音識(shí)別方法外，還有許多其他的語(yǔ)音識(shí)別方法。例如，基于人工神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別方法，是目前的一個(gè)研究熱點(diǎn)。目前用于語(yǔ)音識(shí)別研究的神經(jīng)網(wǎng)絡(luò)有BP神經(jīng)網(wǎng)絡(luò)、Kohcmen特征映射神經(jīng)網(wǎng)絡(luò)等，特別是深度學(xué)習(xí)用于語(yǔ)音識(shí)別取得了長(zhǎng)足的進(jìn)步。

3結(jié)束語(yǔ)

本文簡(jiǎn)要介紹了語(yǔ)音識(shí)別的主要方法以及語(yǔ)音識(shí)別領(lǐng)域的發(fā)展與現(xiàn)狀，將語(yǔ)音識(shí)別的各個(gè)過程進(jìn)行了詳細(xì)介紹和概括總結(jié)，分析了各種語(yǔ)音識(shí)別方法的特點(diǎn)和實(shí)現(xiàn)方式。語(yǔ)音識(shí)別是一門交叉學(xué)科，它涉及到信號(hào)處理、模式識(shí)別、概率論和信息論、發(fā)聲機(jī)理和聽覺機(jī)理、人工智能等等方面的知識(shí)，所以它的發(fā)展依賴于各個(gè)領(lǐng)域的技術(shù)創(chuàng)新進(jìn)步。相信在不久的將來(lái)，語(yǔ)音識(shí)別技術(shù)一定會(huì)在語(yǔ)音交互、語(yǔ)音檢索、命令控制、自動(dòng)客戶服務(wù)、機(jī)器自動(dòng)翻譯等領(lǐng)域得到廣闊的應(yīng)用。

參考文獻(xiàn)：

[1]?? 趙力.語(yǔ)音信號(hào)處理[M].北京：機(jī)械工業(yè)出版社，2011.

[2]?? George Dahl、俞棟等.基于預(yù)訓(xùn)練的上下文相關(guān)深層神經(jīng)網(wǎng)絡(luò)的大詞匯語(yǔ)音識(shí)別.2012