陳文云

百色學院 廣西 百色 533000

引言

語音識別是指將語音轉(zhuǎn)換為計算機可讀的語言符號的過程[1]，是人工智能的重要分支，在自然語言處理（Natural Language Processing）技術中起關鍵作用[2]。語音識別技術涉及多門學科的交叉科學，其中包括數(shù)字信號處理、機器學習、計算機科學、聲學、語言學、生理學和心理學等。語音識別應用非常廣泛，如語音檢索、命令控制、聊天機器人以及機器翻譯等。

語音識別是一個極具挑戰(zhàn)性的任務，主要是由于音素繁多，音節(jié)包含的音素多變，詞或詞組包含的音節(jié)個數(shù)也不固定，語調(diào)也變化多樣，組合空間巨大；不同人的口音導致相同的詞或詞組參數(shù)分布差異；同一人由于心理或生理的不同狀態(tài)會影響發(fā)音；發(fā)音方式和習慣產(chǎn)生連讀會省略部分發(fā)音；信道會導致語音傳輸?shù)氖д娴萚3]。

語音識別的建模大致分為語音模型和語言模型。語音模型主要通過隱馬爾可夫和神經(jīng)網(wǎng)絡兩種方法對音素或音節(jié)建模，語言模型是通過對語音組成的詞進行統(tǒng)計建模而得。

1 系統(tǒng)架構(gòu)

如圖1所示，語音識別系統(tǒng)由訓練器和識別器兩部分組成。訓練器由語音和語法訓練器組成，分別訓練出語音和語言模型。語音訓練器以語音聲學特征參數(shù)和相應語音標注為輸入，訓練得到語音模型；語法訓練器以正確語法句子為輸入，訓練得到語言模型。識別器由語音識別器和語法過濾器組成。語音識別器以語音聲學特征和語音模型作為輸入，生成初始的備選語言符號，這些語言符號再通過語言模型進行語法過濾，生成一組語法正確的句子。

模擬語音首先經(jīng)過模數(shù)轉(zhuǎn)換得到數(shù)字信號，在經(jīng)過特征提取模塊提取合適的聲學特征參數(shù)，常用的語音聲學特征參數(shù)為梅爾倒譜系數(shù)MFCC，該特征參數(shù)既可作為訓練器的輸入，也可作為識別器的輸入。

2 HMM語音模型

一個句子由多個詞或詞組組成，詞或詞組由字組成，而字的發(fā)音是一個音節(jié)，由單個含有語調(diào)的韻母或一個聲母與一個含語調(diào)的韻母構(gòu)成，一個音節(jié)由若干音素組成。漢語有22個聲母，38個韻母，構(gòu)成音節(jié)的音素有輔音22個、單元音13個、復元音13個和復鼻尾音16個。

鑒于語音的短時平穩(wěn)性，利用隱馬爾可夫模型HMM建立音素間的轉(zhuǎn)移模型是最佳選擇，HMM通常運用動態(tài)規(guī)劃DP算法實現(xiàn)可變長音節(jié)/音素的分段和分類，利用高斯多模統(tǒng)計模型對音節(jié)/音素的觀測值（倒譜系數(shù)）進行學習。

2.1 單字語音模型

字的發(fā)音有長有短，一句話中字與字間的間隔不是固定的。為簡化問題，先從單個字的語音模型開始。由上可知，每個音節(jié)字都由若干特征觀測值MFCC序列表示：

根據(jù)貝葉斯據(jù)策論，單個字的識別問題可表示為：

根據(jù)貝葉斯定理可知，

為了通用性和避免下溢風險，通常使用最大對數(shù)似然概率代替總似然概率：

從而可以運用Viterbi動態(tài)規(guī)劃算法進行快速求解。

為了讓訓練結(jié)果更穩(wěn)定可靠，輸出概率 通常使用高斯混合GMM模型訓練：

2.2 單字HMM模型訓練

單字語音HMM模型由于狀態(tài)值缺失，適宜利用EM算法進行訓練[4]。EM算法分為兩步，其中E步可通過前向概率

根據(jù)極大似然估計，M步可求得狀態(tài) 的輸出正態(tài)分布的均值、方差：

2.3 連續(xù)字語音模型

連續(xù)語音模型可以將訓練語音中每個單字HMM按順序相連得到，形成復合HMM模型。復合HMM模型的訓練同樣采用EM算法，由于連續(xù)語音中每個字的邊界是不確定的，不能單獨訓練其中每個HMM模型，而是采用并行方式，同時訓練。

由于復合HMM的特殊性，計算前向概率和后向概率過程稍有不同。假設復合HMM由個HMM組成，用表示其中某一個HMM，則：

前向概率遞推公式為：

再運用類似式3、式4和式5進行學習，而得每個HMM參數(shù)。

3 結(jié)束語

基于HMM語音識別技術具有自動尋找可變長音節(jié)的邊界，在同類技術中識別準確率高的優(yōu)點。但由于同音字、多音字、連讀和方言等情況的影響，只依賴語音模型進行語音識別會帶來額外錯誤識別率，需要引入語言模型來對基于語音模型的識別結(jié)果進行過濾和校正，從而找到語法正確、符合人們發(fā)音習慣的正確識別結(jié)果。