在人際交往中，言語是最自然并且最直接的方式之一。隨著技術的進步，越來越多的人們也期望計算機能夠具備與人進行言語溝通的能力，因此，語音識別這一技術也越來越受到關注。尤其，隨著深度學習技術應用在語音識別技術中，使得語音識別的性能得到了顯著提升，也使得語音識別技術的普及成為了現實。

語音識別技術

自動語音識別技術，簡單來說其實就是利用計算機將語音信號自動轉換為文本的一項技術。這項技術同時也是機器理解人類言語的第一個也是很重要的一個過程。

語音識別是一門交叉學科，所涉及的領域有信號處理、模式識別、概率論和信息論、發聲機理和聽覺機理、人工智能等等，甚至還涉及到人的體態語言（如人民在說話時的表情手勢等行為動作可幫助對方理解）。其應用領域也非常廣，例如相對于鍵盤輸入方法的語音輸入系統、可用于工業控制的語音控制系統及服務領域的智能對話查詢系統，在信息高度化的今天，語音識別技術及其應用已成為信息社會不可或缺的重要組成部分。

語音識別技術的發展歷史

語音識別技術的研究開始二十世紀50年代。1952年，AT&Tbell實驗室的Davis等人成功研制出了世界上第一個能識別十個英文數字發音的實驗系統：Audry系統。

60年代計算機的應用推動了語音識別技術的發展，提出兩大重要研究成果：動態規劃(Dynamic Planning， DP)和線性預測分析(Linear Predict， LP)，其中后者較好的解決了語音信號產生模型的問題，對語音識別技術的發展產生了深遠影響。

70年代，語音識別領域取得突破性進展。線性預測編碼技術(Linear Predict Coding， LPC)被Itakura成功應用于語音識別；Sakoe和Chiba將動態規劃的思想應用到語音識別并提出動態時間規整算法，有效的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。在同一時期，統計方法開始被用來解決語音識別的關鍵問題，這為接下來的非特定人大詞匯量連續語音識別技術走向成熟奠定了重要的基礎。

80年代，連續語音識別成為語音識別的研究重點之一。Meyers和Rabiner研究出多級動態規劃語音識別算法(Level Building，LB)這一連續語音識別算法。80年代另一個重要的發展是概率統計方法成為語音識別研究方法的主流，其顯著特征是HMM模型在語音識別中的成功應用。1988年，美國卡內基－梅隆大學(CMU)用VQ/HMM方法實現了997詞的非特定人連續語音識別系統SPHINX。在這一時期，人工神經網絡在語音識別中也得到成功應用。

進入90年代后，隨著多媒體時代的來臨，迫切要求語音識別系統從實驗走向實用，許多發達國家如美國、日本、韓國以及IBM、Apple、AT&T、NTT等著名公司都為語音識別系統實用化的開發研究投以巨資。最具代表性的是IBM的ViaVoice和Dragon公司的Dragon Dectate系統。這些系統具有說話人自適應能力，新用戶不需要對全部詞匯進行訓練便可在使用中不斷提高識別率。

當前，美國在非特定人大詞匯表連續語音隱馬爾可夫模型識別方面起主導作用，而日本則在大詞匯表連續語音神經網絡識別、模擬人工智能進行語音后處理方面處于主導地位。

我國在七十年代末就開始了語音技術的研究，但在很長一段時間內，都處于緩慢發展的階段。直到八十年代后期，國內許多單位紛紛投入到這項研究工作中去，其中有中科院聲學所，自動化所，清華大學，四川大學和西北工業大學等科研機構和高等院校，大多數研究者致力于語音識別的基礎理論研究工作、模型及算法的研究和改進。但由于起步晚、基礎薄弱，計算機水平不發達，導致在整個八十年代，我國在語音識別研究方面并沒有形成自己的特色，更沒有取得顯著的成果和開發出大型性能優良的實驗系統。

但進入九十年代后，我國語音識別研究的步伐就逐漸緊追國際先進水平了，在“八五”、“九五”國家科技攻關計劃、國家自然科學基金、國家863計劃的支持下，我國在中文語音技術的基礎研究方面也取得了一系列成果。

在語音合成技術方面，中國科大訊飛公司已具有國際上最領先的核心技術；中科院聲學所也在長期積累的基礎上，研究開發出頗具特色的產品：在語音識別技術方面，中科院自動化所具有相當的技術優勢：社科院語言所在漢語言學及實驗語言科學方面同樣具有深厚的積累。但是，這些成果并沒有得到很好的應用，沒有轉化成產業；相反，中文語音技術在技術、人才、市場等方面正面臨著來自國際競爭環境中越來越嚴峻的挑戰和壓力。

語音識別系統的結構

主要包括語音信號的采樣和預處理部分、特征參數提取部分、語音識別核心部分以及語音識別后處理部分，圖中給出了語音識別系統的基本結構。

語音識別的過程是一個模式識別匹配的過程。在這個過程中，首先要根據人的語音特點建立語音模型，對輸入的語音信號進行分析，并抽取所需的特征，在此基礎上建立語音識別所需的模式。而在識別過程中要根據語音識別的整體模型，將輸入的語音信號的特征與已經存在的語音模式進行比較，根據一定的搜索和匹配策略，找出一系列最優的與輸入的語音相匹配的模式。然后，根據此模式號的定義，通過查表就可以給出計算機的識別結果。

語音識別系統的分類

根據識別的對象不同，語音識別任務大體可分為三類，即孤立詞識別（isolated word recognition)，關鍵詞識別（或稱關鍵詞檢出，keyword spotting)和連續語音識別。

孤立詞識別的任務是識別事先已知的孤立的詞，如“開機”、“關機”等；連續語音識別的任務則是識別任意的連續語音，如一個句子或一段話；連續語音流中的關鍵詞檢測針對的是連續語音，但它并不識別全部文字，而只是檢測已知的若干關鍵詞在何處出現，如在一段話中檢測“計算機”、“世界”這兩個詞。

根據針對的發音人，可以把語音識別技術分為特定人語音識別和非特定人語音識別，前者只能識別一個或幾個人的語音，而后者則可以被任何人使用。顯然，非特定人語音識別系統更符合實際需要，但它要比針對特定人的識別困難得多。

另外，根據語音設備和通道，可以分為桌面（PC）語音識別、電話語音識別和嵌入式設備（手機、PDA等）語音識別。不同的采集通道會使人的發音的聲學特性發生變形，因此需要構造各自的識別系統。

語音識別技術類型

目前具有代表性的語音識別技術主要有動態時間規整技術（DTW）、隱馬爾可夫模型（HMM）、矢量量化（VQ）、人工神經網絡（ANN）、支持向量機(SVM)等技術方法。

動態時間規整算法（DynamicTime Warping，DTW）

是在非特定人語音識別中一種簡單有效的方法，該算法基于動態規劃的思想，解決了發音長短不一的模板匹配問題，是語音識別技術中出現較早、較常用的一種算法。在應用DTW算法進行語音識別時，就是將已經預處理和分幀過的語音測試信號和參考語音模板進行比較以獲取他們之間的相似度，按照某種距離測度得出兩模板間的相似程度并選擇最佳路徑。

隱馬爾可夫模型（HMM）

是語音信號處理中的一種統計模型，是由Markov鏈演變來的，所以它是基于參數模型的統計識別方法。由于其模式庫是通過反復訓練形成的與訓練輸出信號吻合概率最大的最佳模型參數而不是預先儲存好的模式樣本，且其識別過程中運用待識別語音序列與HMM參數之間的似然概率達到最大值所對應的最佳狀態序列作為識別輸出，因此是較理想的語音識別模型。

矢量量化（VectorQuantization）

是一種重要的信號壓縮方法。與HMM相比，矢量量化主要適用于小詞匯量、孤立詞的語音識別中。其過程是將若干個語音信號波形或特征參數的標量數據組成一個矢量在多維空間進行整體量化。把矢量空間分成若干個小區域，每個小區域尋找一個代表矢量，量化時落入小區域的矢量就用這個代表矢量代替。矢量量化器的設計就是從大量信號樣本中訓練出好的碼書，從實際效果出發尋找到好的失真測度定義公式，設計出最佳的矢量量化系統，用最少的搜索和計算失真的運算量實現最大可能的平均信噪比。

在實際的應用過程中，人們還研究了多種降低復雜度的方法，包括無記憶的矢量量化、有記憶的矢量量化和模糊矢量量化方法。

人工神經網絡（ANN）

是20世紀80年代末期提出的一種新的語音識別方法。其本質上是一個自適應非線性動力學系統，模擬了人類神經活動的原理，具有自適應性、并行性、魯棒性、容錯性和學習特性，其強大的分類能力和輸入—輸出映射能力在語音識別中都很有吸引力。其方法是模擬人腦思維機制的工程模型，它與HMM正好相反，其分類決策能力和對不確定信息的描述能力得到舉世公認，但它對動態時間信號的描述能力尚不盡如人意，通常MLP分類器只能解決靜態模式分類問題，并不涉及時間序列的處理。盡管學者們提出了許多含反饋的結構，但它們仍不足以刻畫諸如語音信號這種時間序列的動態特性。由于ANN不能很好地描述語音信號的時間動態特性，所以常把ANN與傳統識別方法結合，分別利用各自優點來進行語音識別而克服HMM和ANN各自的缺點。

近年來結合神經網絡和隱含馬爾可夫模型的識別算法研究取得了顯著進展，其識別率已經接近隱含馬爾可夫模型的識別系統，進一步提高了語音識別的魯棒性和準確率。

支持向量機（Supportvector machine）

是應用統計學理論的一種新的學習機模型，采用結構風險最小化原理（Structural Risk Minimization，SRM），有效克服了傳統經驗風險最小化方法的缺點。兼顧訓練誤差和泛化能力，在解決小樣本、非線性及高維模式識別方面有許多優越的性能，已經被廣泛地應用到模式識別領域。

語音識別技術的難點及對策

語音識別技術的發展，達不到實用要求的，主要表現在以下方面 ：

(1) 自適應問題 。

語音識別系統的自適應性差體現在對環境條件的依賴性強。 現有倒譜歸一化技術、相對譜(RASTA)技術、LINLOG RASTA 技術等自適應訓練方法。

(2)噪聲問題。

語音識別系統在噪聲環境下使用，講話人產生情緒或心里上的變化 ，導致發音失真、發音速度和音調改變 ，產生Lombard/Loud 效應。 常用的抑制噪聲的方法有譜減法、環境規正技術、不修正語音信號而是修正識別器模型使之適合噪聲、建立噪聲模型。

(3)語音識別基元的選取問題 。

一般地，欲識別的詞匯量越多，所用基元應越小越好。

(4 )端點檢測。

語音信號的端點檢測是語音識別的關鍵第一步。研究表明，即使在安靜的環境下，語音識別系統一半以上的識別錯誤來自端點檢測器。提高端點檢測技術的關鍵在于尋找穩定的語音參數 。

(5 )其它如識別速度問題 、拒識問題以及關鍵詞檢測技術(即從連續語音中去除 “啊”、“唉”的語氣助詞，獲得真正待識別的語音部分 )、對用戶的錯誤輸入不能正確響應等問題 。

語音識別的應用

語音識別可以應用的領域大致分為大五類：

辦公室或商務系統。典型的應用包括：填寫數據表格、數據庫管理和控制、鍵盤功能增強等等。

制造業。

在質量控制中，語音識別系統可以為制造過程提供一種“不用手”、“不用眼”的檢控（部件檢查）。

電信。

相當廣泛的一類應用在撥號電話系統上都是可行的，包括話務員協助服務的自動化、國際國內遠程電子商務、語音呼叫分配、語音撥號、分類訂貨。

醫療。

這方面的主要應用是由聲音來生成和編輯專業的醫療報告。

其他。

包括由語音控制和操作的游戲和玩具、幫助殘疾人的語音識別系統、車輛行駛中一些非關鍵功能的語音控制，如車載交通路況控制系統、音響系統。

隨著移動互聯網技術的不斷發展，尤其是移動終端的小型化、多樣化變化趨勢，語音識別成為區別于鍵盤、觸屏的人機交互手段之一。隨著語音識別算法模型、自適應性的加強，相信在未來很長一段時間內，語音識別系統的應用將更加廣泛與深入，更多豐富的移動終端語音識別產品將步入人們的日常生活。

---