陳煥澤 中南大學(xué)軟件學(xué)院

關(guān)鍵字：語音識別 聲學(xué)模型 隱馬爾科夫模型

1. 引言

智能語音技術(shù)，是一種完成人機(jī)通過語言進(jìn)行類似于人與人之間交互的技術(shù)，其中的核心技術(shù)包括語音識別技術(shù)和語音合成技術(shù)。20世紀(jì)50年代，智能語音技術(shù)已經(jīng)在語音識別領(lǐng)域開展了研究。而在人機(jī)交互中，語音識別這一環(huán)節(jié)也處于第一個環(huán)節(jié)，也是核心環(huán)節(jié)。

2. 語音識別的相關(guān)基礎(chǔ)概念

2.1. 語音識別的定義和原理

2.1.1. 定義

語音識別技術(shù)即將語音轉(zhuǎn)化為有意義的文字內(nèi)容的技術(shù)。

2.1.2. 基本實(shí)現(xiàn)原理

從原始語音信號中提取某次語音識別所要分析的信號后，利用特征處理將所提取的信號從時域轉(zhuǎn)變?yōu)轭l域，從而為聲學(xué)模型提供適當(dāng)?shù)妮斎胂蛄?，聲學(xué)模型根據(jù)其本身模型所訓(xùn)練而得的參數(shù)，計算每一個輸入向量在其該模型上的得分；而語言模型則根據(jù)語言學(xué)相關(guān)的知識，計算出各種不同文本序列搭配的可能性；最后由已有的數(shù)據(jù)字典，對文本序列進(jìn)行解碼操作，得到可能性最高的文本內(nèi)容。

而該過程中，如何將每一幀中的音素對應(yīng)于某個狀態(tài)是個難題，這里利用概率論的知識，通過訓(xùn)練聲學(xué)模型，得到相應(yīng)的概率分布，在其中選擇概率最高的，即所求幀對應(yīng)的狀態(tài)。

輸入語音數(shù)據(jù)：o=o1...om

各種可能的文本序列組成的集合：W=w1，...，wk

語音識別：根據(jù)輸入語音數(shù)據(jù)o以及各種可能的文本序列集合W中找到最可能的那個文本序列：

其中，聲學(xué)模型負(fù)責(zé)獲得P[o|w]，語言模型負(fù)責(zé)獲得P[w]。

3. 語音識別核心組件介紹

3.1. 聲學(xué)模型

3.1.1. 定義

給定語言學(xué)單元，計算輸入語音匹配的可能性，進(jìn)行對P[o|w]的概率估計；

3.1.2. 發(fā)展歷史

表1：聲學(xué)模型的發(fā)展

3.1.3. 各個主要聲學(xué)模型優(yōu)缺點(diǎn)比較

HMM-DNN聲學(xué)模型

優(yōu)點(diǎn)：

①前后各自擴(kuò)充n幀，從而利用幀的上下文信息

②與HMM-GMM相比，可以學(xué)習(xí)深度非線性特征轉(zhuǎn)換缺點(diǎn)：

無法利用歷史信息來進(jìn)行操作

HMM-LSTM聲學(xué)模型

優(yōu)點(diǎn)：

①是一個單向時序模型，具有長短時記憶能力

②更契合時序建模問題

③減輕了RNN的梯度消散和梯度爆炸的影響

缺點(diǎn)：

計算復(fù)雜度大幅增加，且由于遞歸鏈接的影響使得并行操作難度加大

HMM-BLSTM聲學(xué)模型

優(yōu)點(diǎn)：

相比HMM-LSTM，增添了反向時序信息，使模型的建模能力更強(qiáng)缺點(diǎn)：

①計算復(fù)雜度加大

②GPU的顯存需求增大從而降低了并行度，最終導(dǎo)致模型訓(xùn)練變慢

③實(shí)際應(yīng)用中的實(shí)時性問題

3.2. 語言模型

3.2.1. 定義

由聲學(xué)模型提供的發(fā)音序列，計算各種不同文本序列搭配的可能性。

對于某一句話s：

其中wi是統(tǒng)計單元，可以是字、單詞、短語等。

則句子s的概率可以表示為：

但若按此方法計算句子的概率存在兩個缺陷：

②數(shù)據(jù)過于稀疏：在語料庫中沒有出現(xiàn)的多詞對組合，由最大似然估計得到概率將為0.

4. 語音識別發(fā)展現(xiàn)狀

4.1. 語音識別詞錯率的突破

2016年，Microsoft的語音識別技術(shù)在產(chǎn)業(yè)標(biāo)準(zhǔn) Switchboard 語音識別基準(zhǔn)測試中詞錯率已降低至5.9%，達(dá)到與專業(yè)速記員同等水平。而在2017年，詞錯率更是達(dá)到了驚人的5.1%。從90年代到2010年左右，由于上一代聲學(xué)模型發(fā)展碰到瓶頸，語音識別的詞錯率實(shí)際上沒有太大的變化。在2010年后，由于DNN的提出與深度網(wǎng)絡(luò)的提出與研究，語音識別的詞錯率開始大幅減小。

4.2. 語音助手上的暗戰(zhàn)

4.2.1 Apple Siri

2011年，在iPhone 4s的發(fā)布會上，以智能語音助手身份亮相的Apple Siri成為當(dāng)時全場最大的亮點(diǎn)。但由于當(dāng)時粗糙的技術(shù)，使得Siri反應(yīng)慢，出錯率高，不被大眾看好。而如今，具備人工智能特性的Siri已經(jīng)會說36個國家的21種語言。而在智能汽車方面，Siri目前已經(jīng)整合進(jìn)奧迪、寶馬、克萊斯勒等全球9家知名汽車中。

4.2.2 Mircrosoft Cortana

2014年7月30日，微軟在Windows Phone 8.1 Update中國區(qū)發(fā)布會上正式發(fā)布了中文版Cortana，其中文命名為“微軟小娜”。

2016年12月，微軟在舊金山宣布，開放Cortana，使其能夠集成到智能音響、智能汽車、智能家電等硬件平臺上。

2018年8月，亞馬遜與微軟雙方各自完成了語音助手Alex和Cortana的整合。

4.2.3 百度小度

2015年9月，百度官方在百度世界大會發(fā)布了語音助手度秘。

2017年3月，百度官方在百度世界大會發(fā)布小度系統(tǒng)1.0（DuerOS1.0）。

在與第三方合作上，百度已經(jīng)與中興、小米、聯(lián)想、索尼、網(wǎng)易游戲、比亞迪、特斯拉等企業(yè)建立了長久的合作關(guān)系。

5. 結(jié)論

借助云計算和大數(shù)據(jù)的發(fā)展，人工智能近年來發(fā)展迅猛。而在語音識別領(lǐng)域，研究者們也已經(jīng)取得了不少成果，其背后潛在的巨大經(jīng)濟(jì)效益也吸引了各國互聯(lián)網(wǎng)企業(yè)的注意，如今的語音識別技術(shù)雖然日趨成熟與完善，但仍然存在一定的難題，這就需要相關(guān)科研人員的努力。在計算機(jī)計算能力的進(jìn)一步提升和5G通信普及的趨勢下，未來智能語音識別技術(shù)將會有令人意想不到的表現(xiàn)。