廖 锎武漢理工大學(xué)藝術(shù)設(shè)計(jì)學(xué)院工業(yè)設(shè)計(jì)系，湖北武漢 430070

語(yǔ)音識(shí)別是一門交叉學(xué)科。語(yǔ)音識(shí)別研究經(jīng)歷了50多年的研究歷程，經(jīng)過(guò)50多年的積累研究，獲得了巨大的進(jìn)展。特別是近20年來(lái)，語(yǔ)音識(shí)別技術(shù)取得了顯著的進(jìn)步，并逐步的走向市場(chǎng)。在未來(lái)的日子里，語(yǔ)音識(shí)別技術(shù)將應(yīng)用更為廣泛。本文就語(yǔ)音識(shí)別的發(fā)展及趨勢(shì)作簡(jiǎn)單的闡述。

1 語(yǔ)音技術(shù)的發(fā)展歷史

50年代，研究人員多數(shù)致力于聲學(xué)和語(yǔ)音學(xué)的基本概念。1952年，在AT& T Bell實(shí)驗(yàn)室實(shí)現(xiàn)了一個(gè)單一發(fā)音人孤立發(fā)音的10個(gè)英文數(shù)字的語(yǔ)音識(shí)別系統(tǒng)，方法主要是度量每個(gè)數(shù)字的元音音段的共振峰。1956年，RCA Lab 開(kāi)展了另外一項(xiàng)獨(dú)立研究，試圖識(shí)別單一發(fā)音的10個(gè)不同的音節(jié)，同樣采用了度量共振峰的方法。1959年，英國(guó)University College的研究人員開(kāi)始嘗試另外一種思路，用譜分析和模板匹配方法構(gòu)建音素識(shí)別器，用來(lái)識(shí)別4個(gè)元音和9個(gè)輔音。60年代，相繼出現(xiàn)并發(fā)表了語(yǔ)音識(shí)別的幾個(gè)重要的思想。1962年，東京大學(xué)進(jìn)行了另一個(gè)音素識(shí)別器的硬件實(shí)現(xiàn)的嘗試。它使用過(guò)零率方法分離語(yǔ)音信號(hào)的不同部分，并進(jìn)行識(shí)別。1963年，日本NEC Lab對(duì)數(shù)字進(jìn)行語(yǔ)音識(shí)別的嘗試可以算得上最值得注意的工作，因?yàn)樗粌H是NEC研究語(yǔ)音識(shí)別的開(kāi)端，還導(dǎo)致一個(gè)長(zhǎng)期的和卓有成效的研究計(jì)劃。在60年代中，3個(gè)研究項(xiàng)目的開(kāi)展對(duì)其后20多年的語(yǔ)音識(shí)別研究和開(kāi)發(fā)產(chǎn)生了重大影響。第一個(gè)研究項(xiàng)目在RCA Lab開(kāi)始于60年代后期，目的是研究語(yǔ)音事件在時(shí)間刻度上不均勻性的現(xiàn)實(shí)解決辦法。在能夠可靠檢測(cè)出語(yǔ)音事件的始末點(diǎn)的基礎(chǔ)上，發(fā)展了一套時(shí)間歸正的基本方法。

2 語(yǔ)音識(shí)別技術(shù)的發(fā)展現(xiàn)狀

語(yǔ)音識(shí)別技術(shù)通過(guò)全球科學(xué)家的共同努力，經(jīng)歷半個(gè)多世紀(jì)的研究，目前已經(jīng)發(fā)展到了接近實(shí)用的階段。在實(shí)驗(yàn)室環(huán)境下，大詞匯量的朗讀式連續(xù)說(shuō)話的寬帶語(yǔ)音信號(hào)的平均識(shí)別率可以達(dá)到90%以上。正式有了如此高的識(shí)別率之后，語(yǔ)音識(shí)別技術(shù)慢慢地從實(shí)驗(yàn)室演示系統(tǒng)逐步走向?qū)嵱没唐?。以IBM Via Voice和Dragon Dictation為代表的兩個(gè)聽(tīng)寫機(jī)系統(tǒng)的出現(xiàn)，使“語(yǔ)音識(shí)別”逐步進(jìn)入大眾視線，引起了廣泛的社會(huì)關(guān)注。

由于校對(duì)和更正識(shí)別的錯(cuò)誤很麻煩和浪費(fèi)時(shí)間，這樣便降低語(yǔ)音識(shí)別的優(yōu)勢(shì)。同時(shí)，由于使用的環(huán)境或講話口音習(xí)慣等因素的影響，語(yǔ)音識(shí)別的內(nèi)容大大降低，識(shí)別的內(nèi)容不能達(dá)到100%的正確，所以很多人認(rèn)為目前的語(yǔ)音識(shí)別系統(tǒng)還無(wú)法滿足實(shí)用要求。

目前，AT&T和MIT等將語(yǔ)音識(shí)別技術(shù)應(yīng)用在一些有限詞匯的特定任務(wù)上，如電話自動(dòng)轉(zhuǎn)接、電話查詢、數(shù)字串識(shí)別的任務(wù)中，當(dāng)講話的內(nèi)容是系統(tǒng)所存儲(chǔ)的內(nèi)容存在的，且使用環(huán)境的聲學(xué)特性與訓(xùn)練數(shù)據(jù)的聲學(xué)特性相差不太大時(shí)，語(yǔ)音識(shí)別的正確識(shí)別率可以接近100%。但是，在實(shí)際使用中如果這些條件被破壞，則會(huì)對(duì)識(shí)別系統(tǒng)造成一定的影響。

3 語(yǔ)音識(shí)別技術(shù)發(fā)展趨勢(shì)

雖然語(yǔ)音識(shí)別在過(guò)去的20年里有了很大的發(fā)展，但是，仍然存在很多的不足，有待于進(jìn)一步的探索，具體可分為以下幾個(gè)方面：

1）提高可靠性。語(yǔ)音識(shí)別技術(shù)需要能排除各種聲學(xué)環(huán)境因素的影響。在比較嘈雜的公共環(huán)境中，人的意識(shí)會(huì)有意識(shí)的排除非需要的聲學(xué)環(huán)境因素，這對(duì)語(yǔ)音識(shí)別系統(tǒng)而言，是很難做到的。另外，在日常生活中，人類的語(yǔ)言常常具有較大的不確定性，比較隨意，并帶有明顯的言語(yǔ)習(xí)慣。這同樣會(huì)給語(yǔ)音識(shí)別系統(tǒng)很大的識(shí)別麻煩。目前，在提高語(yǔ)音系統(tǒng)在不同環(huán)境中的可靠性，同時(shí)要應(yīng)用現(xiàn)代技術(shù)讓語(yǔ)音識(shí)別系統(tǒng)更加智能化，掌握人們語(yǔ)言隨意性的部分規(guī)律，以達(dá)到最佳的識(shí)別效果。

2）增加詞匯量。系統(tǒng)可以識(shí)別的詞匯的數(shù)量是系統(tǒng)能夠做什么事情的一個(gè)重要度量。一個(gè)語(yǔ)音識(shí)別系統(tǒng)使用的聲學(xué)模型和語(yǔ)音模型如果太過(guò)于局限，當(dāng)用戶所講的詞匯超出系統(tǒng)已知的范圍時(shí)，則語(yǔ)音識(shí)別系統(tǒng)不能準(zhǔn)確的識(shí)別出相應(yīng)的內(nèi)容，比如，當(dāng)突然從中文轉(zhuǎn)為英文、法文、俄文時(shí)，計(jì)算機(jī)就會(huì)常常輸出混亂奇怪的結(jié)果。但是，隨著系統(tǒng)建模方法的不斷改進(jìn)、搜索算法效率的提高以及硬件資源的發(fā)展，未來(lái)的語(yǔ)音識(shí)別系統(tǒng)可能會(huì)做到詞匯量無(wú)限制和多種語(yǔ)言混合，這樣用戶在使用的時(shí)候可以不必在語(yǔ)種之間來(lái)回切換，這樣就能大大減少詞匯量的對(duì)語(yǔ)音識(shí)別系統(tǒng)的限制。

3）應(yīng)用拓展。語(yǔ)音識(shí)別技術(shù)可以用于把費(fèi)腦、費(fèi)力、費(fèi)時(shí)的機(jī)器操作變成一件很容易很有趣味性的事，比如，當(dāng)人們出現(xiàn)手忙、手不能及以及分身無(wú)術(shù)的場(chǎng)景時(shí)，通過(guò)語(yǔ)音識(shí)別系統(tǒng)的模型構(gòu)造，則能夠在象駕駛室、危險(xiǎn)的工業(yè)場(chǎng)合、遠(yuǎn)距離信息獲取、家電控制等各個(gè)方面，語(yǔ)音識(shí)別技術(shù)可能帶動(dòng)一系列嶄新或更便捷功能的設(shè)備出現(xiàn)，更加方便人的工作和生活。其應(yīng)用的范圍和前景非常廣泛。不僅能夠應(yīng)用于日常生活，更重要的會(huì)帶來(lái)生產(chǎn)方式的革命，是下一代智能化控制的基礎(chǔ)。

4）降低成本減小體積。微型化是語(yǔ)音識(shí)別技術(shù)商業(yè)應(yīng)用的另一個(gè)重要途徑，其推廣程這取決于語(yǔ)音識(shí)別技術(shù)本身進(jìn)步的程度，同時(shí)與微電子芯片技術(shù)的進(jìn)一步發(fā)展關(guān)系密切。將具有先進(jìn)功能和性能的語(yǔ)音識(shí)別應(yīng)用系統(tǒng)固化到更加微小的芯片或模塊上，可以大幅度降低產(chǎn)品成本和體積，產(chǎn)品必然受到消費(fèi)者的青睞，語(yǔ)音識(shí)別系統(tǒng)和微電子芯片技術(shù)的發(fā)展是會(huì)引領(lǐng)我們的信息技術(shù)革命到一個(gè)新的臺(tái)階。

21世紀(jì)是信息和網(wǎng)絡(luò)的時(shí)代，Internet和移動(dòng)通信、固話通信的網(wǎng)絡(luò)把全球各地連接起來(lái)。自然口語(yǔ)對(duì)話、電子商務(wù)、信息索取、數(shù)字圖書館、語(yǔ)音翻譯、遠(yuǎn)程教育等一系列的人類活動(dòng)都可在網(wǎng)絡(luò)上實(shí)現(xiàn)。語(yǔ)音識(shí)別系統(tǒng)的出現(xiàn)，會(huì)讓人更加自由的溝通，讓人在任何地方，任何時(shí)間，對(duì)任何事都能夠通過(guò)語(yǔ)音交互的方式，方便地享受到更多的社會(huì)信息資源和現(xiàn)代化服務(wù)。這必然會(huì)成為語(yǔ)音識(shí)別技術(shù)研究和應(yīng)用的重要發(fā)展趨勢(shì)。

[1]楊尚國(guó)，楊金龍.語(yǔ)音識(shí)別技術(shù)概述[J].福建電腦，2006(8).

[2]孫寧，孫勁光，孫宇.基于神經(jīng)網(wǎng)絡(luò)的語(yǔ)音識(shí)別技術(shù)研究[J].計(jì)算機(jī)與數(shù)字工程，2006.