范永超，韓佳南

（1.武漢烽火信息集成技術(shù)有限公司，湖北 武漢 430000；2.烽火通信科技股份有限公司，湖北 武漢 430073）

0 引言

本文所涉及的語(yǔ)音識(shí)別技術(shù)是一種對(duì)聲音信息進(jìn)行匹配和辨別的技術(shù)，同時(shí)也是利用生物識(shí)別技術(shù)對(duì)聲音信號(hào)進(jìn)行分析的技術(shù)。從個(gè)體器官的角度進(jìn)行分析，發(fā)生控制器在聲帶、口腔、舌頭、嘴唇、軟腭、咽腔、肺容、鼻腔、牙齒等影響下，其發(fā)音頻率以及音色、音高等也有所不同，以此來(lái)實(shí)現(xiàn)一種具有獨(dú)特形式的個(gè)體語(yǔ)音特色。一般均是由90多種不同特征組成了這些要素，使其對(duì)頻率、節(jié)奏、波長(zhǎng)、強(qiáng)度等都有著充分的表現(xiàn)。在世界上沒(méi)有完全相同的兩種聲音，仔細(xì)觀(guān)察可以發(fā)現(xiàn)，每種聲紋都有其不同的特點(diǎn)，因此，在語(yǔ)音識(shí)別技術(shù)中，最為重要的就是需要對(duì)這些微小的差異進(jìn)行識(shí)別和辨析。

1 語(yǔ)音識(shí)別技術(shù)分析

語(yǔ)音識(shí)別技術(shù)已經(jīng)廣泛地應(yīng)用在我國(guó)各項(xiàng)生產(chǎn)生活之中，它是繼指紋識(shí)別和DNA識(shí)別技術(shù)之后應(yīng)用最為廣泛的生物識(shí)別技術(shù)之一。針對(duì)目前的實(shí)際應(yīng)用情況進(jìn)行分析，我國(guó)科研機(jī)構(gòu)在進(jìn)行語(yǔ)音檢索中，已經(jīng)在十億級(jí)庫(kù)容中實(shí)現(xiàn)了對(duì)“1：N”級(jí)別的檢索，一些關(guān)鍵性的詞語(yǔ)識(shí)別準(zhǔn)確率已經(jīng)達(dá)到了95%以上。從應(yīng)用的角度來(lái)看，語(yǔ)音是人體的一項(xiàng)基本生理功能，而且具有鮮明的特異性，在語(yǔ)音識(shí)別技術(shù)中，需要對(duì)不同生物體的語(yǔ)音進(jìn)行采集與識(shí)別，同時(shí)開(kāi)展數(shù)據(jù)庫(kù)的建模工作，在獲取較大的樣本之后，才能把全樣本的語(yǔ)音集合與個(gè)體的語(yǔ)音進(jìn)行比對(duì)和分析，實(shí)現(xiàn)快速確定身份的效果。

2 語(yǔ)音識(shí)別系統(tǒng)

2.1 工作原理

從唯一以及不可復(fù)制性方面進(jìn)行分析，與人體的其他生物特征相比，語(yǔ)音具有十分相似的特征，但世界上的任何兩個(gè)個(gè)體之間，不可能出現(xiàn)相同語(yǔ)音。如圖1所示，從個(gè)體中提取相關(guān)的語(yǔ)音信號(hào)，采用建模和數(shù)字化的方式對(duì)其進(jìn)行分析，應(yīng)用自動(dòng)化方式對(duì)全樣本語(yǔ)音集合以及個(gè)體語(yǔ)音機(jī)械能對(duì)比，并以此實(shí)現(xiàn)對(duì)身份信息的識(shí)別，這一過(guò)程就是語(yǔ)音識(shí)別。

圖1 語(yǔ)音識(shí)別系統(tǒng)的四個(gè)模塊

2.2 語(yǔ)音識(shí)別系統(tǒng)的四個(gè)模塊

（1）預(yù)處理模塊。對(duì)語(yǔ)音進(jìn)行識(shí)別的第一步就是針對(duì)所采集到的語(yǔ)音信號(hào)進(jìn)行轉(zhuǎn)變，使其由模擬語(yǔ)音信號(hào)變?yōu)閿?shù)字語(yǔ)音信號(hào)。同時(shí)在預(yù)處理模塊中，最為重要的一項(xiàng)功能就是對(duì)語(yǔ)音信號(hào)進(jìn)行采集和A/D（模/數(shù)）轉(zhuǎn)換，可以看出，波形編輯處理功能以及（D/A轉(zhuǎn)換）回放功能等都屬于語(yǔ)音識(shí)別系統(tǒng)處理模塊的功能。

（2）參數(shù)分析模塊。為了對(duì)個(gè)體的發(fā)音特征進(jìn)行準(zhǔn)確反應(yīng)，語(yǔ)音參數(shù)的提取是最為重要的一個(gè)方面。在對(duì)個(gè)體語(yǔ)音辨識(shí)率的有效性進(jìn)行辨識(shí)的基礎(chǔ)上，需要對(duì)不同的語(yǔ)音參數(shù)進(jìn)行對(duì)比和分析，并將音調(diào)曲線(xiàn)、偏相關(guān)以及音長(zhǎng)參數(shù)應(yīng)用在參數(shù)分析模塊的TDSI系統(tǒng)中，將其看作個(gè)體語(yǔ)音參數(shù)，從個(gè)體語(yǔ)音的角度進(jìn)行分析，將正交線(xiàn)性預(yù)測(cè)參數(shù)以及長(zhǎng)時(shí)間平均頻譜應(yīng)用到參數(shù)分析模塊的TISI系統(tǒng)中所形成的特征就是特征參數(shù)。

（3）訓(xùn)練模塊。為了有效建立相關(guān)的訓(xùn)練模塊，應(yīng)對(duì)語(yǔ)音參數(shù)進(jìn)行提取，并將其作為一個(gè)單獨(dú)的個(gè)體進(jìn)行建立。受到測(cè)試語(yǔ)音以及訓(xùn)練語(yǔ)音時(shí)間長(zhǎng)度差異的影響，在訓(xùn)練模塊的TDSI系統(tǒng)中，本文將線(xiàn)性壓括技術(shù)應(yīng)用到其中，并對(duì)訓(xùn)練語(yǔ)音進(jìn)行相應(yīng)的調(diào)整，使其可以達(dá)到15幀（0.02秒/幀）；并將長(zhǎng)時(shí)間平均技術(shù)應(yīng)用到TISI訓(xùn)練模塊系統(tǒng)中，確保其訓(xùn)練語(yǔ)音可以達(dá)到1幀（0.02秒/幀）。

（4）識(shí)別模塊。對(duì)比模板庫(kù)中語(yǔ)音模板和被測(cè)試語(yǔ)音的區(qū)別，并將模板匹配技術(shù)應(yīng)用其中，在與測(cè)試語(yǔ)音相同的個(gè)體進(jìn)行鎖定的過(guò)程中，應(yīng)依據(jù)“最佳鄰近準(zhǔn)則”[1]。在本文中主要是將參數(shù)加權(quán)歐氏距離聚類(lèi)法應(yīng)用在語(yǔ)音識(shí)別系統(tǒng)模塊中，并對(duì)被測(cè)語(yǔ)音和模板語(yǔ)音中的距離進(jìn)行計(jì)算，將多階段識(shí)別策略應(yīng)用在TISI識(shí)別模塊系統(tǒng)中，并在庫(kù)中進(jìn)行優(yōu)先識(shí)別，對(duì)相似度較高的個(gè)體語(yǔ)音進(jìn)行選擇，并對(duì)這些個(gè)體進(jìn)行細(xì)致的識(shí)別，將相似度最高的語(yǔ)音篩選出來(lái)。

2.3 語(yǔ)音識(shí)別技術(shù)現(xiàn)存難題

在目前對(duì)人工智能進(jìn)行研究的過(guò)程中，最為重要且最為先進(jìn)的一項(xiàng)技術(shù)就是人工神經(jīng)網(wǎng)絡(luò)技術(shù)，但在目前的實(shí)際應(yīng)用中，為了真正實(shí)現(xiàn)人工智能，神經(jīng)網(wǎng)絡(luò)以及深度學(xué)習(xí)還需要進(jìn)一步優(yōu)化。在對(duì)人工智能的真實(shí)語(yǔ)音進(jìn)行識(shí)別的過(guò)程中，還有許多的問(wèn)題需要解決。比如，在對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行構(gòu)建的過(guò)程中，所需備份的數(shù)據(jù)不僅較大，而且在機(jī)器人學(xué)習(xí)中的學(xué)習(xí)方式也有一定的區(qū)別；在對(duì)特定的事物進(jìn)行學(xué)習(xí)的過(guò)程中，對(duì)人類(lèi)來(lái)說(shuō)僅僅需要幾個(gè)簡(jiǎn)單的例子就可以很好地掌握，但對(duì)于機(jī)器人來(lái)說(shuō)，為了可以充分掌握相關(guān)知識(shí)，需要運(yùn)用大量的例子；在對(duì)信息進(jìn)行語(yǔ)音識(shí)別的過(guò)程中，受到大數(shù)據(jù)和云計(jì)算中局限性的影響，往往由于語(yǔ)音識(shí)別算法能力較低，進(jìn)一步影響到智能機(jī)器人的正常運(yùn)行。現(xiàn)如今，華為移動(dòng)機(jī)器人、百度助手、阿里智能機(jī)器人等在各大企業(yè)中實(shí)現(xiàn)了廣泛的應(yīng)用，所有的一切智能操作都與人工智能密切相關(guān)，同時(shí)在人工智能機(jī)器人中應(yīng)用語(yǔ)音識(shí)別技術(shù)也最為重要的一個(gè)方面，因此，要更好地達(dá)到人機(jī)交互的效果，就必須克服技術(shù)的局限性。

3 基于人工智能的語(yǔ)音識(shí)別系統(tǒng)及應(yīng)用分析

3.1 語(yǔ)音識(shí)別系統(tǒng)總設(shè)計(jì)

針對(duì)人類(lèi)語(yǔ)言進(jìn)行識(shí)別，并在實(shí)際執(zhí)行的過(guò)程中創(chuàng)造出一定的交互量，這一目的就是所謂的人工智能，在此基礎(chǔ)上，必須要按照相關(guān)的原則和要求對(duì)語(yǔ)音識(shí)別系統(tǒng)進(jìn)行整體設(shè)計(jì)[2]。針對(duì)人工智能技術(shù)進(jìn)行分析，人工智能在語(yǔ)音識(shí)別方面還存在一些問(wèn)題，在對(duì)人工智能機(jī)器人進(jìn)行音頻信號(hào)的處理過(guò)程產(chǎn)生影響的同時(shí)，還會(huì)在很大程度上影響到人機(jī)交互體驗(yàn)，并出現(xiàn)算法混亂的情況。一方面，要將語(yǔ)音指令檢測(cè)以及預(yù)處理運(yùn)用在語(yǔ)音控制終端中，并具備相應(yīng)的轉(zhuǎn)換工具，以便可以更好分析所輸入的語(yǔ)音算法，并對(duì)其語(yǔ)言進(jìn)行轉(zhuǎn)化，使得機(jī)器人也可以很好地理解；另一方面，必須將一個(gè)主要的語(yǔ)音控制系統(tǒng)運(yùn)用到機(jī)器人控制中，對(duì)輸入聲音的交互性能有充足的了解，主要是分析和設(shè)計(jì)其中較為高效的算法。因此，算法分析和設(shè)計(jì)是語(yǔ)音識(shí)別的首要任務(wù)，需要選擇編譯語(yǔ)言，設(shè)計(jì)適合機(jī)器人實(shí)際性能的算法。

3.2 特征參數(shù)的提取

（1）采用語(yǔ)音頻譜技術(shù)進(jìn)行提取。語(yǔ)音頻譜技術(shù)主要是以生物體的基礎(chǔ)性發(fā)聲器官如氣管、聲道以及鼻腔等為主，利用人體的基礎(chǔ)發(fā)聲器來(lái)提取相關(guān)的參數(shù)，然后將提取到的參數(shù)進(jìn)行分類(lèi)，在語(yǔ)音比對(duì)的過(guò)程中，可以通過(guò)這些參數(shù)來(lái)找到發(fā)聲人體的特殊生理結(jié)構(gòu)，從而快速定位發(fā)聲人。

（2）線(xiàn)性預(yù)測(cè)提取。在語(yǔ)音識(shí)別系統(tǒng)中，提取到的語(yǔ)音樣本是屬于“過(guò)去”的聲音，而需要匹配的是“當(dāng)前”的語(yǔ)音內(nèi)容。

（3）小波特征提取分析[3]。該提取方式主要是利用小波技術(shù)來(lái)完成的，小波技術(shù)的優(yōu)勢(shì)就是能夠接受分辨率的改變，但是該技術(shù)在應(yīng)用的過(guò)程中要求語(yǔ)音參數(shù)實(shí)現(xiàn)穩(wěn)定性的交叉，同時(shí)還具有能夠和時(shí)頻域兼容的表征，在當(dāng)前的應(yīng)用過(guò)程中，小波技術(shù)已經(jīng)相當(dāng)成熟，而且與人工智能技術(shù)的結(jié)合也日益緊密。

3.3 模式匹配識(shí)別過(guò)程分析

完成特征提取后，需要進(jìn)行下一步的深度分析，完成精確的匹配過(guò)程。模式匹配識(shí)別從本質(zhì)上來(lái)說(shuō)是一種比對(duì)化的操作過(guò)程，對(duì)比分析沒(méi)有識(shí)別的語(yǔ)音特征參數(shù)以及數(shù)據(jù)庫(kù)中的語(yǔ)音特征參數(shù)，并從其相似度方面按照由高到低的方法將最終的對(duì)比結(jié)果呈現(xiàn)出來(lái)，并用表格或是樹(shù)狀圖將相似度的距離顯現(xiàn)出來(lái)，在識(shí)別的過(guò)程中需要限定一個(gè)相似度距離的值。在目前的具體應(yīng)用中，模式匹配識(shí)別有兩種模型。

（1）矢量化模型。在實(shí)際應(yīng)用該模型的過(guò)程中，第一步是要實(shí)現(xiàn)對(duì)語(yǔ)音參數(shù)的矢量化，并將矢量化處理的方式應(yīng)用在個(gè)體語(yǔ)音的檢測(cè)過(guò)程中[4]。在實(shí)際應(yīng)用中，為了有效地表示出個(gè)人信息的語(yǔ)音矢量，應(yīng)對(duì)被檢測(cè)人的個(gè)體語(yǔ)音特征進(jìn)行收集，并對(duì)其特征參數(shù)進(jìn)行處理，然后提出與之相對(duì)應(yīng)的語(yǔ)音規(guī)范標(biāo)準(zhǔn)。

（2）構(gòu)建隨機(jī)化模型。在日常生活中，雖然語(yǔ)音特征是每一個(gè)個(gè)體獨(dú)特的生理特征，但是一個(gè)人的語(yǔ)音在不同環(huán)境、不同狀態(tài)下的表現(xiàn)也不一樣，而且人體的語(yǔ)音在變化范圍以及變化的概率方面不確定性非常大[5]，在該模型的構(gòu)建中，尤其需要考慮到轉(zhuǎn)移的概率、傳輸?shù)男逝c概率等方面的因素。為了使得隨機(jī)化模型在應(yīng)用過(guò)程中更加可靠與精確，需要在訓(xùn)練過(guò)程中獲取狀態(tài)轉(zhuǎn)移概率的矩陣以及符號(hào)輸出概率矩陣等方面的內(nèi)容。在外界環(huán)境發(fā)生變化的同時(shí)，被測(cè)個(gè)體的語(yǔ)音信息也在隨之發(fā)生一定的變化，在對(duì)語(yǔ)音信息進(jìn)行識(shí)別的過(guò)程中，該系統(tǒng)可以進(jìn)行快速有效的識(shí)別，同時(shí)針對(duì)語(yǔ)音信息在狀態(tài)轉(zhuǎn)移時(shí)的概率可以在最大程度上對(duì)語(yǔ)音進(jìn)行識(shí)別，然后利用數(shù)據(jù)庫(kù)的相關(guān)樣本內(nèi)容來(lái)對(duì)被檢測(cè)人的語(yǔ)音模型做出更深層次的分析與判斷。

4 結(jié)束語(yǔ)

在“互聯(lián)網(wǎng)+”環(huán)境下，人工智能技術(shù)得到了飛速的發(fā)展，為了對(duì)語(yǔ)音信號(hào)進(jìn)行高效的識(shí)別與處理，加強(qiáng)和創(chuàng)新人工智能和語(yǔ)音識(shí)別系統(tǒng)的結(jié)合已成為時(shí)代發(fā)展的趨勢(shì)。在利用計(jì)算機(jī)進(jìn)行演算的過(guò)程中，對(duì)識(shí)別度高的聲學(xué)特征數(shù)據(jù)進(jìn)行提取和分析，有效提高語(yǔ)音識(shí)別的準(zhǔn)確度及精確度。在未來(lái)發(fā)展中，應(yīng)進(jìn)一步實(shí)現(xiàn)語(yǔ)音系統(tǒng)和人工智能系統(tǒng)的有效結(jié)合，并對(duì)語(yǔ)音識(shí)別系統(tǒng)的功能以及兼容性進(jìn)行有效的擴(kuò)展?！?/p>