語音識別的基本原理

語音識別系統(tǒng)本質(zhì)上是一種模式識別系統(tǒng)，包括特征提取、模式匹配、參考模式庫等三個基本單元。

未知語音經(jīng)過話筒變換成電信號后加在識別系統(tǒng)的輸入端，首先經(jīng)過預(yù)處理，再根據(jù)人的語音特點建立語音模型，對輸入的語音信號進(jìn)行分析，并抽取所需的特征，在此基礎(chǔ)上建立語音識別所需的模板。而計算機在識別過程中要根據(jù)語音識別的模型，將計算機中存放的語音模板與輸入的語音信號的特征進(jìn)行比較，根據(jù)一定 的搜索和匹配策略，找出一系列最優(yōu)的與輸入語音匹配的模板。然后根據(jù)此模板的定義，通過查表就可以給出計算機的識別結(jié)果。顯然，這種最優(yōu)的結(jié)果與特征的選擇、語音模型的好壞、模板是否準(zhǔn)確都有直接的關(guān)系。

語音識別的方法

目前具有代表性的語音識別方法主要有動態(tài)時間規(guī)整技術(shù)（DTW）、隱馬爾可夫模型（HMM）、矢量量化（VQ）、人工神經(jīng)網(wǎng)絡(luò)（ANN）、支持向量機（SVM）等方法。

動態(tài)時間規(guī)整算法（Dynamic Time Warping，DTW）是在非特定人語音識別中一種簡單有效的方法，該算法基于動態(tài)規(guī)劃的思想，解決了發(fā)音長短不一的模板匹配問題，是語音識別技術(shù)中出現(xiàn)較早、較常用的一種算法。在應(yīng)用DTW算法進(jìn)行語音識別時，就是將已經(jīng)預(yù)處理和分幀過的語音測試信號和參考語音模板進(jìn)行比較以獲取他們之間的相似度，按照某種距離測度得出兩模板間的相似程度并選擇最佳路徑。

隱馬爾可夫模型（HMM）是語音信號處理中的一種統(tǒng)計模型，是由Markov鏈 演變來的，所以它是基于參數(shù)模型的統(tǒng)計識別方法。由于其模式庫是通過反復(fù)訓(xùn)練形成的與訓(xùn)練輸出信號吻合概率最大的最佳模型參數(shù)而不是預(yù)先儲存好的模式樣本，且其識別過程中運用待識別語音序列與HMM參數(shù)之間的似然概率達(dá)到最大值所對應(yīng)的最佳狀態(tài)序列作為識別輸出，因此是較理想的語音識別模型。

矢量量化（Vector Quantization）是一種重要的信號壓縮方法。與HMM相比，矢量量化主要適用于小詞匯量、孤立詞的語音識別中。其過程是將若干個語音信號波形或特征參數(shù)的標(biāo)量數(shù)據(jù)組成一個矢量在多維空間進(jìn)行整體量化。把矢量空間分成若干個小區(qū)域，每個小區(qū)域?qū)ふ乙粋€代表矢量，量化時落入小區(qū)域的矢量就用這個代表 矢量代替。矢量量化器的設(shè)計就是從大量信號樣本中訓(xùn)練出好的碼書，從實際效果出發(fā)尋找到好的失真測度定義公式，設(shè)計出最佳的矢量量化系統(tǒng)，用最少的搜索和計算失真的運算量實現(xiàn)最大可能的平均信噪比。

在實際的應(yīng)用過程中，人們還研究了多種降低復(fù)雜度的方法，包括無記憶的矢量量化、有記憶的矢量量化和模糊矢量量化方法。

人工神經(jīng)網(wǎng)絡(luò)（ANN）是20世紀(jì)80年代末期提出的一種新的語音識別方法。其本質(zhì)上是一個自適應(yīng)非線性動力學(xué)系統(tǒng)，模擬了人類神經(jīng)活動的原理，具有自適應(yīng)性、并行性、魯棒性、容錯性和學(xué)習(xí)特性，其強大的分類能力和輸入—輸出映射能力在語音識別中都很有吸引力。其方法是模擬人腦思維機制的工程模型，它與 HMM正好相反，其分類決策能力和對不確定信息的描述能力得到舉世公認(rèn)，但它對動態(tài)時間信號的描述能力尚不盡如人意，通常MLP分類器只能解決靜態(tài)模式分 類問題，并不涉及時間序列的處理。

盡管學(xué)者們提出了許多含反饋的結(jié)構(gòu)，但它們?nèi)圆蛔阋钥坍嬛T如語音信號這種時間序列的動態(tài)特性。由于ANN不能很好地描述 語音信號的時間動態(tài)特性，所以常把ANN與傳統(tǒng)識別方法結(jié)合，分別利用各自優(yōu)點來進(jìn)行語音識別而克服HMM和ANN各自的缺點。近年來結(jié)合神經(jīng)網(wǎng)絡(luò)和隱含 馬爾可夫模型的識別算法研究取得了顯著進(jìn)展，其識別率已經(jīng)接近隱含馬爾可夫模型的識別系統(tǒng)，進(jìn)一步提高了語音識別的魯棒性和準(zhǔn)確率。

支持向量機（Support vector machine）是應(yīng)用統(tǒng)計學(xué)理論的一種新的學(xué)習(xí)機模型，采用結(jié)構(gòu)風(fēng)險最小化原理（Structural Risk Minimization，SRM），有效克服了傳統(tǒng)經(jīng)驗風(fēng)險最小化方法的缺點。兼顧訓(xùn)練誤差和泛化能力，在解決小樣本、非線性及高維模式識別方面有許多優(yōu)越的性能，已經(jīng)被廣泛地應(yīng)用到模式識別領(lǐng)域。

語音識別系統(tǒng)的分類

語音識別 系統(tǒng)可以根據(jù)對輸入語音的限制加以分類。如果從說話者與識別系統(tǒng)的相關(guān)性考慮，可以將識別系統(tǒng)分為三類：特定人語音識別系統(tǒng)。僅考慮對于專人的話音 進(jìn)行識別；非特定人語音系統(tǒng)。識別的語音與人無關(guān)，通常要用大量不同人的語音數(shù)據(jù)庫對識別系統(tǒng)進(jìn)行學(xué)習(xí)；多人的識別系統(tǒng)。通常能識別一組人的 語音，或者成為特定組語音識別系統(tǒng)，該系統(tǒng)僅要求對要識別的那組人的語音進(jìn)行訓(xùn)練。

如果從說話的方式考慮，也可以將識別系統(tǒng)分為三類：  孤立詞語音識別系統(tǒng)。孤立詞識別系統(tǒng)要求輸入每個詞后要停頓；連接詞語音識別系統(tǒng)。連接詞輸入系統(tǒng)要求對每個詞都清楚發(fā)音，一些連音現(xiàn)象開始出現(xiàn)；連續(xù)語音識別系統(tǒng)。連續(xù)語音輸入是自然流利的連續(xù)語音輸入，大量連音和變音會出現(xiàn)。

如果從識別系統(tǒng)的詞匯量大小考慮，也可以將識別系統(tǒng)分為三類：小詞匯量語音識別系統(tǒng)。通常包括幾十個詞的語音識別系統(tǒng)；中等詞匯量的語音識別系統(tǒng)。通常包括幾百個詞到上千個詞的識別系統(tǒng)；大詞匯量語音識別系統(tǒng)。通常包括幾千到幾萬個詞的語音識別系統(tǒng)。隨著計算機與數(shù)字信號處理器運算能力以及識別系統(tǒng)精度的提高，識別系統(tǒng)根據(jù)詞匯量大小進(jìn)行分類也不斷進(jìn)行變化。目前是中等詞匯量的識別系統(tǒng)，將來可能就是小詞匯量的語音識別系統(tǒng)。這些不同的限制也確定了語音識別系統(tǒng)的困難度。

現(xiàn)如今，語音識別系統(tǒng)在便攜設(shè)備上的應(yīng)用最為廣泛。從手機到智能手環(huán)、智能手表，都有語音識別系統(tǒng)的身影。但是，需要指出的是，尋找到語音識別的正確突破口很重要，將力量集中到最有可能取得成功的市場當(dāng)中，不要盲目的投資，這樣才能使得這項技術(shù)真正的得到長足的發(fā)展。

相關(guān)閱讀：

家庭監(jiān)護(hù)機器人有突破！語音識別系統(tǒng)“箭在弦上”
專家親授：基于DSP原理的漢子語音識別系統(tǒng)的實現(xiàn)
技術(shù)達(dá)人：ARM的非特定人語音識別系統(tǒng)的設(shè)計