电脑听懂你的话 语音识别技术解析(上)

语言模型

语言模型（Language Model，LM）一般指在匹配搜索时用于字词和路径约束的语言规则，是为了在语音识别的过程中有效地结合语法和语义的知识，提高识别率，减少搜索的范围。由于很难准确地确定词的边界，以及声学模型描述语音变异性的能力有限，识别时将产生很多概率得分相似的词的序列。因此，在实用的语音识别系统中通常使用语言模型从诸多候选结果中选择有可能的词序列来弥补声学模型的不足。

语音识别过程示例

语言模型可以分为基于规则的语言模型和基于统计的语言模型。基于规则的语言模型是总结出语法规则乃至语义规则，然后用这些规则排除声学识别中不合语法规则或语义规则的结果。统计语言模型通过统计概率描述词与词之间的依赖关系，间接地对语法或语义规则进行编码。基于规则的语言模型在特定任务系统中获得很好的应用，可较大幅度提高系统的识别率。由于日常口语对话无法用严格的规则描述，在大词汇量语音识别系统中主要采用基于统计的语言模型。

特征提取

特征提取就是要从语音波形中提取出重要的反映语音特征的相关信息，去掉那些相对无关的信息。它既是一个信息大幅度压缩的过程，也是一个信号解卷过程。由于语音信号的时变特性，特征提取必须在一小段语音信号上进行，即进行短时分析。目前比较常用的特征提取方法是基于声道模型的线性预测倒谱技术（LPCC）和基于听觉机理的Mel频率倒谱技术（MFCC）。前者的基本思想在于：语音信号相邻的采样点之间有很强的相关性。因此每个语音信号的采样值，可以用它前面的若干个采样值的加权和线性组合来近似表示。后者则充分考虑了人耳的听觉特性，并用客观度量来表征人对声音高低的主观感受。相比之下，MFCC有一定的优势：1.语音的信息大多集中在低频部分，而高频部分易受环境噪声干扰，MFCC强调语音的低频信息，从而突出了有利于识别的信息，屏蔽了噪声干扰；2.MFCC没有任何前提假设，在各种情况下都可以使用，识别性能和噪声鲁棒性（即对噪声特性或者参数的不敏感性）优于LPCC。

语音识别原理

通常来说，在进行特征提取之前要对待识语音进行预处理，部分消除噪声和不同说话人带来的影响，使处理后的信号更能反映语音的本质特征。常用的预处理有端点检测和语音增强。端点检测是指在语音信号中将语音和非语音信号时段区分开来，准确地确定出语音信号的起始点。经过端点检测后，后续处理就可以只对语音信号进行，这对提高模型的精确度和识别正确率有重要作用。语音增强的主要任务就是消除环境噪声对语音的影响。目前通用的方法是采用维纳滤波，该方法在噪声较大的情况下效果好于其它滤波器。

模式匹配

模式匹配又称为相似度度量，是指根据一定准则，使未知模式与模式库中的某一模版获得佳匹配。具体来说，模式匹配将待识语音的特征矢量参数和参考模式库中的模版进行相似度量比较，将相似度高的模版所属类别作为识别的中间候选结果输出。

语音识别常用算法

看上去语音识别的工作原理很简单，基本就是采集语音信息，将其与模式库中的模版进行对比，选取接近的结果进行输出。但要完成正确的识别，具体操作过程就必须要有合适的算法进行支持才行。目前，常用的语音识别算法有：基于模式匹配的动态时间规整（DTW，Dynamic Time Warping） 、基于统计模型的隐马尔柯夫模型（HMM，Hidden Markov Model）以及人工神经网络（ANN，Artificial Neural Net）等。

动态时间规整

动态时间规整（DTW）是一种柔性的模式匹配算法，可用于对两个动态样本进行非线性规整，对其相似之处进行匹配，以得到两个样本之间的小距离。为了达到这样的效果，DTW对两个样本中的一些向量进行移动、压缩或扩展，终使两个样本见的距离达到极小。目前来看，DTW可能是一个小巧的语音识别算法，它的系统开销小，识别速度快，能较好地解决小词汇量、孤独词识别时说话速度不均匀的问题，因此在对付小词汇量的语音控制系统中非常有效，但如果系统稍微复杂一些，这种算法就力不从心了。

隐马尔柯夫模型

语音识别的特点是具有随机性 , 但同时也有一个潜在的基本结构。例如，一个语音有基本结构，而发音时口型的大小，长短、强弱和在口腔中的位置等却因人而异。即使是同一个人，在不同时间发同一个音也是有随机差异的。由于隐马尔可夫模型的算法是将语音看成是一连串特定状态，这种状态是不能被直接观测到的（如这种状态可以是语音的某个音素），而是以某种隐含的关系与语音的观测量（或特征）相关联。这种隐含关系在 HMM 模型中通常以概率形式表现出来，模型的输出结果也以概率形式给出。所以，用隐马尔可夫模型（HMM）来描述这种具有结构的随机性相当有效，因此它是目前语音识别的主流技术，大多数大词汇量、连续语音的非特定人语音识别系统都基于隐马尔柯夫模型。

云计算的兴起让语音识别有了更有力的技术支持和更广阔的应用空间

隐马尔可夫过程是一个双重随机过程：一重用于描述非平稳信号的短时平稳段的统计特征（信号的瞬态特征，可直接观测到）；另一重随机过程描述了每个短时平稳段如何转变到下一个短时平稳段，即短时统计特征的动态特性（隐含在观察序列中）。基于这两重随机过程， HMM 即可有效解决怎样辨识具有不同参数的短时平稳信号段，怎样跟踪它们之间的转化等问题。人的言语过程也是这样一种双重随机过程。因为语音信号本身就是一个可观察的序列，而它又是由大脑里的（不可观察的）、根据言语需要和语法知识（状态选择）所发出的音素（词、句）的参数流。HMM非常好地描述了整体非平稳性和局部平稳性的特点，是一个比较理想的语音识别模型。不过它的统计模型的建立需要依赖较大的语音库，存储量和计算量都比较大。

人工神经网络

近语音识别的研究热点是将人工神经网络（ANN）方法应用到语音识别中的识别与训练环节。ANN由神经元、网络拓扑和学习方法构成，它的结构简单，易于编程实现，有很强的分类和模式识别能力，而且具有静态的非线性映射能力（只需要通过简单的非线性处理单元的符合映射，变可获得复杂的非线性处理能力），因此ANN识别方法可以对综合的输入模式进行训练和识别，能够更好地提高语音识别系统的性能。

语音识别技术前景广阔

语音识别技术一直都是计算机研究领域内的一个热门课题，也一向倍受IT巨头器重。现在，我们已经可以对苹果Siri提问并得到自动答复，而在将来，能监听四到五个人参加的小型会议，然后提供准确的书面记录；能为电视节目自动匹配字幕；能让学生们在课堂上打瞌睡，同时又不会漏掉老师讲的每个词……这样智能化的语音识别技术并不是幻想。随着语音识别技术在近几年逐渐向移动通讯、互联网等领域，再加上云计算等新兴领域的蓬勃发展，语音识别技术正在迎来自己的春天。在对语音识别的技术原理有所了解之后，我们将在下期为大家介绍语音识别技术在当前的发展和应用，敬请期待。