語音識別技術原理簡介

自動語音識別技術(Auto Speech Recognize，簡稱ASR)所要解決的問題是讓計算機能夠“聽懂”人類的語音，將語音中包含的文字信息“提取”出來。ASR技術在“能聽會說”的智能計算機系統(tǒng)中扮演著重要角色，相當于給計算機系統(tǒng)安裝上“耳朵”，使其具備“能聽”的功能，進而實現(xiàn)信息時代利用“語音”這一最自然、最便捷的手段進行人機通信和交互。

語音識別技術所面臨的問題是非常艱巨和困難的。盡管早在二十世紀五十年代，世界各國就開始了對這項技術孜孜不倦的研究，特別是最近二十年，國內外非常多的研究機構和企業(yè)都加入到語音識別技術的研究領域，投入了極大的努力，也取得了豐碩的成果，但是直到今天，距離該技術得到完美解決還存在著巨大的差距，不過這并不妨礙不斷進步的語音識別系統(tǒng)在許多相對受限的場合下獲得成功的應用。

如今，語音識別技術已經發(fā)展成為涉及聲學、語言學、數(shù)字信號處理、統(tǒng)計模式識別等多學科技術的一項綜合性技術?；谡Z音識別技術研發(fā)的現(xiàn)代語音識別系統(tǒng)在很多場景下獲得了成功的應用，不同任務條件下所采用的技術又會有所不同。下圖是在一個相對通用的任務條件下的語音識別系統(tǒng)示意圖。語音識別系統(tǒng)構建過程整體上包括兩大部分：訓練和識別。訓練通常是離線完成的，對預先收集好的海量語音、語言數(shù)據庫進行信號處理和知識挖掘，獲取語音識別系統(tǒng)所需要的“聲學模型”和“語言模型”;而識別過程通常是在線完成的，對用戶實時的語音進行自動識別。識別過程通常又可以分為“前端”和“后端”兩大模塊：“前端”模塊主要的作用是進行端點檢測(去除多余的靜音和非說話聲)、降噪、特征提取等;“后端”模塊的作用是利用訓練好的“聲學模型”和“語言模型”對用戶說話的特征向量進行統(tǒng)計模式識別(又稱“解碼”)，得到其包含的文字信息，此外，后端模塊還存在一個“自適應”的反饋模塊，可以對用戶的語音進行自學習，從而對“聲學模型”和“語音模型”進行必要的“校正”，進一步提高識別的準確率。

語音識別技術發(fā)展歷史及現(xiàn)狀

語音識別的研究工作大約開始于20世紀50年代，當時AT&T Bell實驗室基于共振峰提取技術實現(xiàn)了第一個可識別十個英文數(shù)字的語音識別系統(tǒng)——Audry系統(tǒng)。

60年代，計算機的應用推動了語音識別的發(fā)展。這時期的重要成果是提出了動態(tài)時間規(guī)劃(DP)和線性預測分析技術(LPC)，其中后者較好地解決了語音信號產生模型的問題，對語音識別的發(fā)展產生了深遠影響。

70年代，語音識別領域取得了較大進展。在理論上，LP技術得到進一步發(fā)展，動態(tài)時間歸正技術(DTW)基本成熟，特別是提出了矢量量化(VQ)和隱馬爾可夫模型(HMM)理論。在實踐上，實現(xiàn)了基于線性預測倒譜和DTW技術的特定人孤立語音識別系統(tǒng)。

80年代，MFCC的參數(shù)提取技術和HMM模型的深入使用使得語音識別技術得到進一步的發(fā)展，語音識別的問題逐步在理論體系上得到了比較完整和準確的描述，同時在實踐上又逐步研發(fā)出效率較高的解決算法。

90年代以來，在美國國防部的Darpa測試、Ears計劃、近期的Gales計劃，以及我國863計劃等推動下，一大批高水平的研究機構和企業(yè)加入到語音識別的研究領域，極大地推動了語音識別技術的發(fā)展和應用。語音識別系統(tǒng)已經從過去的小詞匯量、孤立詞識別、特定人識別、安靜環(huán)境等簡單任務逐步發(fā)展到大詞匯量、連續(xù)語音、非特定人、噪聲環(huán)境下的識別任務，從單純的語音識別任務發(fā)展到語音翻譯任務，從實驗室系統(tǒng)走向商用系統(tǒng)。