陳擁權 李建中 鄭榮穩(wěn) 魯加旺

合肥寰景信息技術有限公司

?

連續(xù)語音識別技術及其應用前景分析

陳擁權 李建中 鄭榮穩(wěn) 魯加旺

合肥寰景信息技術有限公司

摘要：連續(xù)語音識別技術，是集語音處理、模式識別、句法和語義分析于一體的綜合性語音處理技術，能夠識別任意的連續(xù)語音，如一個句子或一段話，大大提高了語音交互的連續(xù)性和體驗度，是語音識別技術的核心之一。本文介紹了連續(xù)語音識別技術的研究現(xiàn)狀及幾種常見的技術方法，并且分析探討了連續(xù)語音識別技術的應用和發(fā)展前景。

1　引言

近期，語音識別在移動終端上的應用最為火熱，語音對話機器人、語音助手、互動工具等層出不窮，許多互聯(lián)網(wǎng)公司紛紛投入人力、物力和財力展開此方面的研究和應用，目的是通過語音交互的新穎和便利模式迅速占領客戶群。但是，面向個人用途的連續(xù)語音聽寫仍然面臨極大的技術挑戰(zhàn)，尤其是對自然語言的識別和理解，因此連續(xù)語音識別技術及其應用的研究迫在眉睫。本文介紹了連續(xù)語音識別技術的研究現(xiàn)狀及幾種常見的技術方法，并且分析探討了連續(xù)語音識別技術的應用和發(fā)展前景。

2　連續(xù)語音識別技術的難點

（1）單詞切分難點：連續(xù)語音句子中各單詞的發(fā)音之間通常是沒有停頓的，即各單詞之間不存在明顯的邊界。

（2）發(fā)音變化難點：連續(xù)語音中各單詞的發(fā)音通常都比較自然和隨便，因而，各單詞受協(xié)同發(fā)音的影響也更為嚴重。

（3）連續(xù)單詞語音識別難點：單詞序列的長度未知；單詞序列中各單詞之間的邊界未知；當給定M個單詞參考模式和L長的待識語音模式時，就可能有ML種組合的匹配序列。

3　連續(xù)語音識別的基本原理

3.1技術核心：聲學模型 (HMM)和語言模型 (N-gramm)

聲學模型是語音識別系統(tǒng)中最為重要的部分之一，目前的主流系統(tǒng)多采用隱馬爾科夫模型進行建模。隱馬爾可夫模型的概念是一個離散時域有限狀態(tài)自動機，隱馬爾可夫模型HMM是指這一馬爾可夫模型的內(nèi)部狀態(tài)外界不可見，外界只能看到各個時刻的輸出值。

語言模型是一個單純的、統(tǒng)一的、抽象的形式系統(tǒng)，語言客觀事實經(jīng)過語言模型的描述，比較適合于電子計算機進行自動處理，因而語言模型對于自然語言的信息處理具有重大的意義。

3.2基本思路

連續(xù)語音識別系統(tǒng)的參考模式由孤立單詞的參考模式按時間順序動態(tài)接續(xù)組合而成，識別系統(tǒng)把待識連續(xù)單詞語音和被接續(xù)起來的單詞模式序列進行匹配比較，距離最短的單詞參考模式之序列就為識別結(jié)果。

圖2　連續(xù)單詞的語音識別過程

3.3典型技術解決方案

連續(xù)語音句子中每個單詞發(fā)音沒有明顯的界限，分割比較困難。目前比較典型的技術解決方案是：基于隱馬爾可夫模型（Hidden Markov Model，HMM）的連續(xù)語音識別系統(tǒng)。

3.1 術前心理護理的效果 患者術前常易產(chǎn)生恐懼心理，緊張情緒增加患者心理壓力，護士應與患者在泌尿外科微創(chuàng)術前進行心理疏導與溝通，講解微創(chuàng)手術的優(yōu)越性及各種導管的性能作用，取得患者積極配合，避免因情緒波動致血壓升高等而影響手術。

該識別系統(tǒng)在訓練過程中采用逐步細化的建模過程，先建立單音素的HMM，然后考慮音素上下文，擴展到三音素HMM，最后進行狀態(tài)捆綁，還可逐步增加混合高斯變量數(shù)目，最終得到魯棒性較高的連續(xù)語音識別HMM。

圖3　基于HMM的連續(xù)語音識別系統(tǒng)架構圖

4　連續(xù)語音識別的技術方法

4.1兩級DP法 (Two-Level Dynamic Programming)

計算任意起始幀b和終止幀e之間的最佳累計距離D(b, e)

4.2分層構造法 (Level Building)

使用HMM的概率參數(shù)來對似然函數(shù)進行估計與判決，從而得到結(jié)果。

5　連續(xù)語音識別技術的發(fā)展方向

目前語音信號處理技術的發(fā)展方向及研究熱點主要體現(xiàn)在以下幾個方面。

5.1語音識別單元的選取

5.2特征參數(shù)提取技術

對語音信號進行分析處理，去除對語音識別無關緊要的冗余信息，獲得影響語音識別的重要信息。Mel參數(shù)和基于感知線性預測（PLP）分析提取的感知線性預測倒譜，應用了人耳聽覺感知方面的研究成果。實驗證明，采用這種技術，語音識別系統(tǒng)的性能有一定提高。

5.3模式匹配及模型訓練技術

語音識別所應用的模式匹配和模型訓練技術主要有動態(tài)時間歸正技術（DTW）、隱馬爾可夫模型（HMM）和人工神經(jīng)元網(wǎng)絡（ANN）。

DTW是較早的一種模式匹配和模型訓練技術，在孤立詞語音識別中獲得了良好性能。但因其不適合連續(xù)語音大詞匯量語音識別系統(tǒng)，目前已被HMM模型和ANN替代。

HMM模型是語音信號時變特征的有參表示法。HMM模型的訓練和識別都已研究出有效的算法，并不斷被完善，以增強HMM模型的魯棒性。

人工神經(jīng)元網(wǎng)絡在語音識別中的應用是現(xiàn)在研究的又一熱點。其本質(zhì)上是一個自適應非線性動力學系統(tǒng)，模擬了人類神經(jīng)元活動的原理，具有自學、聯(lián)想、對比、推理和概括能力。

目前的研究熱點是將 HMM 和 ANN 二者的優(yōu)點有機結(jié)合起來，從而提高整個模型的魯棒性。

6　連續(xù)語音識別技術的應用前景分析

連續(xù)語音識別技術的應用主要是大詞匯量連續(xù)語音識別系統(tǒng)，可應用于計算機的聽寫機，以及與電話網(wǎng)或者互聯(lián)網(wǎng)相結(jié)合的語音信息查詢服務系統(tǒng)，而這些系統(tǒng)都是在計算機平臺上實現(xiàn)的。

6.1個人數(shù)字助理

個人數(shù)字助理（Personal Digital Assistant，PDA）的語音交互界面。PDA的體積很小，人機界面一直是其應用和技術的瓶頸之一。現(xiàn)在業(yè)界一致認為，PDA的最佳人機交互界面是以語音作為傳輸介質(zhì)的交互方法，并且已有少量應用。隨著語音識別技術的提高，可以預見，在不久的將來，語音將成為PDA主要的人機交互界面。

6.2家電遙控

用語音可以控制電視機、VCD、空調(diào)、電扇、窗簾的操作，而且一個遙控器就可以把家中的電器皆用語音控起來，這樣，可以讓令人頭疼的各種電器的操作變得簡單易行。

6.3汽車的語音控制

在汽車的行駛過程中，駕駛員的手必須放在方向盤上，因此在汽車上撥打電話，需要使用具有語音撥號功能的免提電話通信方式。此外，對汽車的衛(wèi)星導航定位系統(tǒng)（GPS）的操作，汽車空調(diào)、照明以及音響等設備的操作，同樣也可以由語音來方便的控制。

6.4智能玩具

通過語音識別技術，我們可以與智能娃娃對話，可以用語音對玩具發(fā)出命令，讓其完成一些簡單的任務，甚至可以制造具有語音鎖功能的電子看門狗。智能玩具有很大的市場潛力，而其關鍵在于降低語音芯片的價格。

除了上述應用以外，連續(xù)語音識別技術在其他方面的應用可以說是不勝枚舉，將給人們的工作和生活帶來極大的方便。

國家科技支撐計劃，網(wǎng)絡社區(qū)語音互動服務關鍵支撐技術研發(fā)，2012BAH95F01

參考文獻

[1]黃浩,朱杰,哈力旦.漢語語音識別中的區(qū)分性聲調(diào)建模方法[J].計算機工程與應用.2009(11)

[2]倪崇嘉,劉文舉,徐波.漢語大詞匯量連續(xù)語音識別系統(tǒng)研究進展[J].中文信息學報.2009(01)

[3]李凈,鄭方,張繼勇,吳文虎.漢語連續(xù)語音識別中上下文相關的聲韻母建模[J].清華大學學報(自然科學版).2004(01)

[4]韓兆兵,賈磊,張樹武,徐波.連續(xù)語音識別中聲學建模的組合聚類算法研究[J].中文信息學報.2003(04)

[5]李虎生,劉加,劉潤生.語音識別說話人自適應研究現(xiàn)狀及發(fā)展趨勢[J].電子學報.2003(01)

基金項目

關鍵字：語音識別 連續(xù)語音 聲學模型 語言模型