摘要：本文主要介紹一種實現(xiàn)人機交互的語音信息處理技術(shù)，目的是實現(xiàn)計算機操作者與機器交互更人性化、更方便、更快捷。計算機根據(jù)其語音信息執(zhí)行人的各種意圖，也可以按人類的高級描述編寫出程序。

關(guān)鍵詞：語音信號處理；人機交互；高級描述

1 引言

語音信號處理簡稱語音處理，主要包括語音識別、語音合成、語音編碼和說話人識別等四大分支。語音識別技術(shù)指計算機能根據(jù)人類說話的語句或命令做出相應(yīng)的反應(yīng)。當(dāng)聲音通過一個轉(zhuǎn)換裝置輸入計算機內(nèi)部并以數(shù)字方式存儲后，語音識別程序便開始以所輸入的聲音樣本與事先儲存好的聲音樣本進(jìn)行對比。對比完成后計算機會算出數(shù)個最匹配、最接近的聲音樣本序號，這樣就可以知道所輸入的聲音意圖及內(nèi)容。

2 語音信息處理技術(shù)

一個完整的語音信息處理可大致分為三個部分。語音特征提?。浩淠康氖菑恼Z音波形中提取出隨時間變化的語音特征序列。聲學(xué)模型與模式匹配（識別算法）：聲學(xué)模型通常將獲取的語音特征通過學(xué)習(xí)算法產(chǎn)生，在識別時將輸入的語音特征同聲學(xué)模型（模式）進(jìn)行匹配和比較，得到較佳的識別效果。

早期的語音識別模型多是建立在模板匹配基礎(chǔ)上的，它們大多是按照簡單的模板匹配的特定人、小詞匯量、獨立詞識別系統(tǒng)。這一階段的重要研究成果是DTW(Dynamic Time Warping)動態(tài)時間伸縮算法。如圖2所示。

隨機模型法是目前語音識別研究的主流途徑。隨機模型法語音識別技術(shù)的主流代表算法，是基于參數(shù)模型的隱馬爾可夫模型(Hidden Markov Model ，簡稱HMM)方法和基于非參數(shù)模型的矢量量化(Vector Quantization ，簡稱VQ)的方法?，F(xiàn)在一般應(yīng)用的語音識別系統(tǒng)，都采用基于HMM的識別方法作為基本算法，它是一種用參數(shù)表示的，用于描述隨機過程統(tǒng)計特性的概率模型，它是由馬爾可夫鏈演變來的。這里所說的隨機過程，在語音識別領(lǐng)域，包括說話人識別和語種辨識方面，一般都是有限長的隨機序列。一個語音段(如詞、音素或短語)可以用一串特征矢量表示，這就是一個信號觀察矢量序列，如果把這—串矢量逐個地進(jìn)行矢量量化，每個矢量用一個編碼符號代表，這就變成觀察符號序列了。不管它是觀察矢量序列還是觀察符號序列，統(tǒng)稱觀察序列，記為O=O1O2ΛOT，它當(dāng)然是一種隨機序列。一個有N個狀態(tài)(記為S1S1，L，SN)的HMM是由三元參數(shù)組λ={π，A，B}表示的，用于描述一種隨機序列的統(tǒng)計特性的概率模型，其中：

(1)π=[π1π2…πN]為初始分布，用于描述觀察序列O在t=l時刻所處狀態(tài)q，屬于模型中各狀態(tài)的概率分布，即：

πi=P(q1=Si)，i=l，2，…，N

它當(dāng)然滿足：

(2) A={aij|i，j=1，2，…，n}為狀態(tài)轉(zhuǎn)移概率矩陣， 這里只考慮一階HMM，當(dāng)前所處狀態(tài)qt只與前一時刻所處狀態(tài)qt-1有關(guān)，即：

aij = P(qt = Sj|qt-1= Si，qt-2 = Sk…) =p(qt=

Sj|qt-1=Si)(2)

滿足：

(3) B為觀察序列O中任一觀察(它是隨機變量或隨機矢量)在各狀態(tài)的觀察概率空間的分布。這個分布有離散型和連續(xù)型兩類，分別相應(yīng)于離散HMM和連續(xù)HMM，其分布分別為：

在離散HMM情況下，觀察序列為符號序列，B為一概率矩陣：B={bj(k)，j=1，2，…，N;k=1，2，…，M}(4)

滿足:

式中，M為編碼符號集中符號的總數(shù)，在用矢量量化編碼時，M就是碼書大小，j為狀態(tài)序號。

在連續(xù)HMM情況下，觀察序列為矢量序列(設(shè)維數(shù)為D)，B就是N個D維的概率密度函數(shù)的集合：

B={bj(O)，j=1，2，…，N}，其中O為觀察矢量空間中的任一矢量，每一個密度函數(shù)都滿足歸一的條件，即：

以上就是隱馬爾可夫模型的完整的定義及說明。從這個定義可以看出，HMM 與有限狀態(tài)的一階馬爾可夫鏈一樣地用初始分布、狀態(tài)轉(zhuǎn)移概率矩陣來描述有限長隨機序列的統(tǒng)計特性，但它不同于馬爾可夫鏈那樣由每一觀察即可確知當(dāng)前所處狀態(tài)，而是由每一觀察僅能估算出當(dāng)前處于各種狀態(tài)的概率。這就是說，它具有雙重隨機性，是一種雙重隨機過程。

一般情況下，語言內(nèi)開發(fā)平臺都會提供底層硬件的API接口函數(shù)，在編程和設(shè)置時只需要對接口函數(shù)進(jìn)行調(diào)用和賦值就可以了。語音字典的設(shè)置包括識別語法設(shè)置、語音規(guī)則設(shè)定、語音模板制作、字典編譯等。在語音識別工作平臺的支持下，按照平臺提供的語音規(guī)則，首先導(dǎo)入語音識別核心包，并按照語音規(guī)則要求完成語音識別應(yīng)用主程序運行的編譯字典。

3 結(jié)束語

語音信號處理技術(shù)正逐步成為信息技術(shù)中人機接口的關(guān)鍵技術(shù)，語音信號處理技術(shù)與語音合成技術(shù)結(jié)合使人們能夠甩掉鍵盤，通過語音命令進(jìn)行操作。語音技術(shù)的應(yīng)用已經(jīng)成為一個具有競爭性的新興高技術(shù)產(chǎn)業(yè)，而且語音技術(shù)市場正在迅速增長，發(fā)展勢頭良好，語音識別技術(shù)應(yīng)用，在我們面前展開了廣闊的發(fā)展空間和蓬勃的應(yīng)用前景。

——————————

參考文獻(xiàn)

[1]易克初，田斌，付強.語音信號處理[M].北京:國防工業(yè)出版社，2003.

[2]朱民雄，聞新，黃健群，等.計算機語音技術(shù).北京:航空航天大學(xué)出版社，2002.

[3](美)卡倫.人工智能.黃厚寬，等，譯.北京：電子工業(yè)出版社，2004.

[4]蔡自興.機器人學(xué).北京：清華大學(xué)出版社，2000.

[5]Nuance Company.Developer's Guide[M].California:Nu2ance Corporation，2000.

[6]Intel Company.Dialogical/12 JCT-LS PCI Voice Board Manual[M].New Jersey:Intel Dialogic Corporation，2002.

[7]徐波.語音技術(shù)開發(fā)與應(yīng)用[N].中國計算機報，1999.

[8]蔣新松.機器人導(dǎo)論.沈陽：遼寧科學(xué)技術(shù)出版社，1994.