語音識別

 　　簡介

　　與機(jī)器進(jìn)行語音交流，讓機(jī)器明白你說什么，這是人們長期以來夢寐以求的事情。中國物聯(lián)網(wǎng)校企聯(lián)盟形象得把語音識別[1]  比做為“機(jī)器的聽覺系統(tǒng)”。語音識別技術(shù)就是讓機(jī)器通過識別和理解過程把語音信號轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的高技術(shù)。

　　語音識別技術(shù)主要包括特征提取技術(shù)、模式匹配準(zhǔn)則及模型訓(xùn)練技術(shù)三個(gè)方面。語音識別技術(shù)車聯(lián)網(wǎng)也得到了充分的引用，例如在翼卡車聯(lián)網(wǎng)中，只需按一鍵通客服人員口述即可設(shè)置目的地直接導(dǎo)航，安全、便捷。

　　發(fā)展史

　　1952年貝爾研究所Davis等人研究成功了世界上第一個(gè)能識別10個(gè)英文數(shù)字發(fā)音的實(shí)驗(yàn)系統(tǒng)。

　　1960年英國的Denes等人研究成功了第一個(gè)計(jì)算機(jī)語音識別系統(tǒng)。

　　大規(guī)模的語音識別研究是在進(jìn)入了70年代以后，在小詞匯量、孤立詞的識別方面取得了實(shí)質(zhì)性的進(jìn)展。

　　進(jìn)入80年代以后，研究的重點(diǎn)逐漸轉(zhuǎn)向大詞匯量、非特定人連續(xù)語音識別。在研究思路上也發(fā)生了重大變化，即由傳統(tǒng)的基于標(biāo)準(zhǔn)模板匹配的技術(shù)思路開始轉(zhuǎn)向基于統(tǒng)計(jì)模型 (HMM）的技術(shù)思路。此外，再次提出了將神經(jīng)網(wǎng)絡(luò)技術(shù)引入語音識別問題的技術(shù)思路。

　　進(jìn)入90年代以后，在語音識別的系統(tǒng)框架方面并沒有什么重大突破。但是，在語音識別技術(shù)的應(yīng)用及產(chǎn)品化方面出現(xiàn)了很大的進(jìn)展。

　　DARPA(Defense Advanced Research Projects Agency）是在70年代由美國國防部遠(yuǎn)景研究計(jì)劃局資助的一項(xiàng)10年計(jì)劃，其旨在支持語言理解系統(tǒng)的研究開發(fā)工作。

　　到了80年代，美國國防部遠(yuǎn)景研究計(jì)劃局又資助了一項(xiàng)為期10年的DARPA戰(zhàn)略計(jì)劃，其中包括噪聲下的語音識別和會話（口語）識別系統(tǒng)，識別任務(wù)設(shè)定為“（1000單詞）連續(xù)語音數(shù)據(jù)庫管理”。

　　到了90年代，這一DARPA計(jì)劃仍在持續(xù)進(jìn)行中。其研究重點(diǎn)已轉(zhuǎn)向識別裝置中的自然語言處理部分，識別任務(wù)設(shè)定為“航空旅行信息檢索”。

　　日本也在1981年的第五代計(jì)算機(jī)計(jì)劃中提出了有關(guān)語音識別輸入-輸出自然語言的宏偉目標(biāo)，雖然沒能實(shí)現(xiàn)預(yù)期目標(biāo)，但是有關(guān)語音識別技術(shù)的研究有了大幅度的加強(qiáng)和進(jìn)展。

　　1987年起，日本又?jǐn)M出新的國家項(xiàng)目---高級人機(jī)口語接口和自動(dòng)電話翻譯系統(tǒng)。

　　中國發(fā)展

　　中國的語音識別研究起始于1958年，由中國科學(xué)院聲學(xué)所利用電子管電路識別10個(gè)元音。直至1973年才由中國科學(xué)院聲學(xué)所開始計(jì)算機(jī)語音識別。由于當(dāng)時(shí)條件的限制，中國的語音識別研究工作一直處于緩慢發(fā)展的階段。

　　進(jìn)入80年代以后，隨著計(jì)算機(jī)應(yīng)用技術(shù)在中國逐漸普及和應(yīng)用以及數(shù)字信號技術(shù)的進(jìn)一步發(fā)展，國內(nèi)許多單位具備了研究語音技術(shù)的基本條件。與此同時(shí)，國際上語音識別技術(shù)在經(jīng)過了多年的沉寂之后重又成為研究的熱點(diǎn)，發(fā)展迅速。就在這種形式下，國內(nèi)許多單位紛紛投入到這項(xiàng)研究工作中去。

　　1986年3月中國高科技發(fā)展計(jì)劃（863計(jì)劃）啟動(dòng)，語音識別作為智能計(jì)算機(jī)系統(tǒng)研究的一個(gè)重要組成部分而被專門列為研究課題。在863計(jì)劃的支持下，中國開始了有組織的語音識別技術(shù)的研究，并決定了每隔兩年召開一次語音識別的專題會議。從此中國的語音識別技術(shù)進(jìn)入了一個(gè)前所未有的發(fā)展階段。

　　識別模式

　　這一時(shí)期的語音識別方法基本上是采用傳統(tǒng)的模式識別策略。其中以蘇聯(lián)的Velichko和Zagoruyko、日本的迫江和千葉，以及當(dāng)時(shí)在美國的板倉等人的研究工作最具有代表性。

　　· 蘇聯(lián)的研究為模式識別應(yīng)用于語音識別這一領(lǐng)域奠定了基礎(chǔ)；

　　· 日本的研究則展示了如何利用動(dòng)態(tài)規(guī)劃技術(shù)在待識語音模式與標(biāo)準(zhǔn)語音模式之間進(jìn)行非線性時(shí)間匹配的方法；

　　·板倉的研究提出了如何將線性預(yù)測分析技術(shù)（LPC）加以擴(kuò)展，使之用于語音信號的特征抽取的方法。

　　數(shù)據(jù)庫

　　在語音識別的研究發(fā)展過程中，相關(guān)研究人員根據(jù)不同語言的發(fā)音特點(diǎn)，設(shè)計(jì)和制作了以漢語（包括不同方言）、英語等各類語言的語音數(shù)據(jù)庫，這些語音數(shù)據(jù)庫可以為國內(nèi)外有關(guān)的科研單位和大學(xué)進(jìn)行漢語連續(xù)語音識別算法研究、系統(tǒng)設(shè)計(jì)、及產(chǎn)業(yè)化工作提供充分、科學(xué)的訓(xùn)練語音樣本。例如：MIT Media lab Speech Dataset（麻省理工學(xué)院媒體實(shí)驗(yàn)室語音數(shù)據(jù)集）、Pitch and Voicing Estimates for Aurora 2(Aurora2語音庫的基因周期和聲調(diào)估計(jì)）、Congressional speech data（國會語音數(shù)據(jù)）、Mandarin Speech Frame Data（普通話語音幀數(shù)據(jù)）、用于測試盲源分離算法的語音數(shù)據(jù)等。

　　技術(shù)發(fā)展

　　目前在大詞匯語音識別方面處于領(lǐng)先地位的IBM語音研究小組，就是在70年代開始了它的大詞匯語音識別研究工作的。AT&T的貝爾研究所也開始了一系列有關(guān)非特定人語音識別的實(shí)驗(yàn)。這一研究歷經(jīng)10年，其成果是確立了如何制作用于非特定人語音識別的標(biāo)準(zhǔn)模板的方法。

　　這一時(shí)期所取得的重大進(jìn)展有：

　?、烹[式馬爾科夫模型（HMM）技術(shù)的成熟和不斷完善成為語音識別的主流方法。

　?、埔灾R為基礎(chǔ)的語音識別的研究日益受到重視。在進(jìn)行連續(xù)語音識別的時(shí)候，除了識別聲學(xué)信息外，更多地利用各種語言知識，諸如構(gòu)詞、句法、語義、對話背景方面等的知識來幫助進(jìn)一步對語音作出識別和理解。同時(shí)在語音識別研究領(lǐng)域，還產(chǎn)生了基于統(tǒng)計(jì)概率的語言模型。

　?、?span id="xyvwxua" class='hrefStyle'>人工神經(jīng)網(wǎng)絡(luò)在語音識別中的應(yīng)用研究的興起。在這些研究中，大部分采用基于反向傳播算法（BP算法）的多層感知網(wǎng)絡(luò)。人工神經(jīng)網(wǎng)絡(luò)具有區(qū)分復(fù)雜的分類邊界的能力，顯然它十分有助于模式劃分。特別是在電話語音識別方面，由于其有著廣泛的應(yīng)用前景，成了當(dāng)前語音識別應(yīng)用的一個(gè)熱點(diǎn)。

　　另外，面向個(gè)人用途的連續(xù)語音聽寫機(jī)技術(shù)也日趨完善。這方面，最具代表性的是IBM的ViaVoice和Dragon公司的Dragon Dictate系統(tǒng)。這些系統(tǒng)具有說話人自適應(yīng)能力，新用戶不需要對全部詞匯進(jìn)行訓(xùn)練，便可在使用中不斷提高識別率。

　　中國的語音識別技術(shù)的發(fā)展 ：

　?、旁诒本┯兄锌圃郝晫W(xué)所、自動(dòng)化所、清華大學(xué)、北方交通大學(xué)等科研機(jī)構(gòu)和高等院校。另外，還有哈爾濱工業(yè)大學(xué)、中國科技大學(xué)、四川大學(xué)等也紛紛行動(dòng)起來。

　?、片F(xiàn)在，國內(nèi)有不少語音識別系統(tǒng)已研制成功。這些系統(tǒng)的性能各具特色。

　　· 在孤立字大詞匯量語音識別方面，最具代表性的要數(shù)92年清華大學(xué)電子工程系與中國電子器件公司合作研制成功的THED-919特定人語音識別與理解實(shí)時(shí)系統(tǒng)。

　　· 在連續(xù)語音識別方面，91年12月四川大學(xué)計(jì)算機(jī)中心在微機(jī)上實(shí)現(xiàn)了一個(gè)主題受限的特定人連續(xù)英語——漢語語音翻譯演示系統(tǒng)。

　　·在非特定人語音識別方面，有清華大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)系在87年研制的聲控電話查號系統(tǒng)并投入實(shí)際使用。

　　分類應(yīng)用

　　根據(jù)識別的對象不同，語音識別任務(wù)大體可分為3類，即孤立詞識別（isolated word recognition），關(guān)鍵詞識別（或稱關(guān)鍵詞檢出，keyword spotting）和連續(xù)語音識別。其中，孤立詞識別 的任務(wù)是識別事先已知的孤立的詞，如“開機(jī)”、“關(guān)機(jī)”等；連續(xù)語音識別的任務(wù)則是識別任意的連續(xù)語音，如一個(gè)句子或一段話；連續(xù)語音流中的關(guān)鍵詞檢測針對的是連續(xù)語音，但它并不識別全部文字，而只是檢測已知的若干關(guān)鍵詞在何處出現(xiàn)，如在一段話中檢測“計(jì)算機(jī)”、“世界”這兩個(gè)詞。

　　根據(jù)針對的發(fā)音人，可以把語音識別技術(shù)分為特定人語音識別和非特定人語音識別，前者只能識別一個(gè)或幾個(gè)人的語音，而后者則可以被任何人使用。顯然，非特定人語音識別系統(tǒng)更符合實(shí)際需要，但它要比針對特定人的識別困難得多。

　　另外，根據(jù)語音設(shè)備和通道，可以分為桌面（PC）語音識別、電話語音識別和嵌入式設(shè)備（手機(jī)、PDA等）語音識別。不同的采集通道會使人的發(fā)音的聲學(xué)特性發(fā)生變形，因此需要構(gòu)造各自的識別系統(tǒng)。

　　語音識別的應(yīng)用領(lǐng)域非常廣泛，常見的應(yīng)用系統(tǒng)有：語音輸入系統(tǒng)，相對于鍵盤輸入方法，它更符合人的日常習(xí)慣，也更自然、更高效；語音控制系統(tǒng)，即用語音來控制設(shè)備的運(yùn)行，相對于手動(dòng)控制來說更加快捷、方便，可以用在諸如工業(yè)控制、語音撥號系統(tǒng)、智能家電、聲控智能玩具等許多領(lǐng)域；智能對話查詢系統(tǒng)，根據(jù)客戶的語音進(jìn)行操作，為用戶提供自然、友好的數(shù)據(jù)庫檢索服務(wù)，例如家庭服務(wù)、賓館服務(wù)、旅行社服務(wù)系統(tǒng)、訂票系統(tǒng)、醫(yī)療服務(wù)、銀行服務(wù)、股票查詢服務(wù)等等。

　　識別方法

　　語音識別方法主要是模式匹配法。

　　在訓(xùn)練階段，用戶將詞匯表中的每一詞依次說一遍，并且將其特征矢量作為模板存入模板庫。

　　在識別階段，將輸入語音的特征矢量依次與模板庫中的每個(gè)模板進(jìn)行相似度比較，將相似度最高者作為識別結(jié)果輸出。

　　主要問題

　　語音識別主要有以下五個(gè)問題：

　?、睂ψ匀徽Z言的識別和理解。首先必須將連續(xù)的講話分解為詞、音素等單位，其次要建立一個(gè)理解語義的規(guī)則。

　?、舱Z音信息量大。語音模式不僅對不同的說話人不同，對同一說話人也是不同的，例如，一個(gè)說話人在隨意說話和認(rèn)真說話時(shí)的語音信息是不同的。一個(gè)人的說話方式隨著時(shí)間變化。

　?、痴Z音的模糊性。說話者在講話時(shí)，不同的詞可能聽起來是相似的。這在英語和漢語中常見。

　?、磫蝹€(gè)字母或詞、字的語音特性受上下文的影響，以致改變了重音、音調(diào)、音量和發(fā)音速度等。

　?、淡h(huán)境噪聲和干擾對語音識別有嚴(yán)重影響，致使識別率低。

　　前端處理

　　前端處理是指在特征提取之前，先對原始語音進(jìn)行處理，部分消除噪聲和不同說話人帶來的影響，使處理后的信號更能反映語音的本質(zhì)特征。最常用的前端處理有端點(diǎn)檢測和語音增強(qiáng)。端點(diǎn)檢測是指在語音信號中將語音和非語音信號時(shí)段區(qū)分開來，準(zhǔn)確地確定出語音信號的起始點(diǎn)。經(jīng)過端點(diǎn)檢測后，后續(xù)處理就可以只對語音信號進(jìn)行，這對提高模型的精確度和識別正確率有重要作用。語音增強(qiáng)的主要任務(wù)就是消除環(huán)境噪聲對語音的影響。目前通用的方法是采用維納濾波，該方法在噪聲較大的情況下效果好于其它濾波器。

　　聲學(xué)特征

　　聲學(xué)特征的提取與選擇是語音識別的一個(gè)重要環(huán)節(jié)。聲學(xué)特征的提取既是一個(gè)信息大幅度壓縮的過程，也是一個(gè)信號解卷過程，目的是使模式劃分器能更好地劃分。由于語音信號的時(shí)變特性，特征提取必須在一小段語音信號上進(jìn)行，也即進(jìn)行短時(shí)分析。這一段被認(rèn)為是平穩(wěn)的分析區(qū)間稱之為幀，幀與幀之間的偏移通常取幀長的1/2或1/3。通常要對信號進(jìn)行預(yù)加重以提升高頻，對信號加窗以避免短時(shí)語音段邊緣的影響。

　　LPC

　　線性預(yù)測分析從人的發(fā)聲機(jī)理入手，通過對聲道的短管級聯(lián)模型的研究，認(rèn)為系統(tǒng)的傳遞函數(shù)符合全極點(diǎn)數(shù)字濾波器的形式，從而n 時(shí)刻的信號可以用前若干時(shí)刻的信號的線性組合來估計(jì)。通過使實(shí)際語音的采樣值和線性預(yù)測采樣值之間達(dá)到均方差最小LMS，即可得到線性預(yù)測系數(shù)LPC。對 LPC的計(jì)算方法有自相關(guān)法（德賓Durbin法）、協(xié)方差法、格型法等等。計(jì)算上的快速有效保證了這一聲學(xué)特征的廣泛使用。與LPC這種預(yù)測參數(shù)模型類似的聲學(xué)特征還有線譜對LSP、反射系數(shù)等等。

　　CEP

　　利用同態(tài)處理方法，對語音信號求離散傅立葉變換DFT后取對數(shù)，再求反變換iDFT就可得到倒譜系數(shù)。對LPC倒譜（LPCCEP），在獲得濾波器的線性預(yù)測系數(shù)后，可以用一個(gè)遞推公式計(jì)算得出。實(shí)驗(yàn)表明，使用倒譜可以提高特征參數(shù)的穩(wěn)定性。

　　Mel

　　不同于LPC等通過對人的發(fā)聲機(jī)理的研究而得到的聲學(xué)特征，Mel倒譜系數(shù)MFCC和感知線性預(yù)測 PLP是受人的聽覺系統(tǒng)研究成果推動(dòng)而導(dǎo)出的聲學(xué)特征。對人的聽覺機(jī)理的研究發(fā)現(xiàn)，當(dāng)兩個(gè)頻率相近的音調(diào)同時(shí)發(fā)出時(shí)，人只能聽到一個(gè)音調(diào)。臨界帶寬指的就是這樣一種令人的主觀感覺發(fā)生突變的帶寬邊界，當(dāng)兩個(gè)音調(diào)的頻率差小于臨界帶寬時(shí)，人就會把兩個(gè)音調(diào)聽成一個(gè)，這稱之為屏蔽效應(yīng)。Mel刻度是對這一臨界帶寬的度量方法之一。

　　MFCC

　　首先用FFT將時(shí)域信號轉(zhuǎn)化成頻域，之后對其對數(shù)能量譜用依照Mel刻度分布的三角濾波器組進(jìn)行卷積，最后對各個(gè)濾波器的輸出構(gòu)成的向量進(jìn)行離散余弦變換DCT，取前N個(gè)系數(shù)。PLP仍用德賓法去計(jì)算LPC參數(shù)，但在計(jì)算自相關(guān)參數(shù)時(shí)用的也是對聽覺激勵(lì)的對數(shù)能量譜進(jìn)行DCT的方法。

　　聲學(xué)模型

　　語音識別系統(tǒng)的模型通常由聲學(xué)模型和語言模型兩部分組成，分別對應(yīng)于語音到音節(jié)概率的計(jì)算和音節(jié)到字概率的計(jì)算。本節(jié)和下一節(jié)分別介紹聲學(xué)模型和語言模型方面的技術(shù)。

　　HMM聲學(xué)建模：馬爾可夫模型的概念是一個(gè)離散時(shí)域有限狀態(tài)自動(dòng)機(jī)，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(gè)時(shí)刻的輸出值。對語音識別系統(tǒng)，輸出值通常就是從各個(gè)幀計(jì)算而得的聲學(xué)特征。用HMM刻畫語音信號需作出兩個(gè)假設(shè)，一是內(nèi)部狀態(tài)的轉(zhuǎn)移只與上一狀態(tài)有關(guān)，另一是輸出值只與當(dāng)前狀態(tài)（或當(dāng)前的狀態(tài)轉(zhuǎn)移）有關(guān)，這兩個(gè)假設(shè)大大降低了模型的復(fù)雜度。HMM的打分、解碼和訓(xùn)練相應(yīng)的算法是前向算法、Viterbi算法和前向后向算法。

　　語音識別中使用HMM通常是用從左向右單向、帶自環(huán)、帶跨越的拓?fù)浣Y(jié)構(gòu)來對識別基元建模，一個(gè)音素就是一個(gè)三至五狀態(tài)的HMM，一個(gè)詞就是構(gòu)成詞的多個(gè)音素的HMM串行起來構(gòu)成的HMM，而連續(xù)語音識別的整個(gè)模型就是詞和靜音組合起來的HMM。

　　上下文相關(guān)建模：協(xié)同發(fā)音，指的是一個(gè)音受前后相鄰音的影響而發(fā)生變化，從發(fā)聲機(jī)理上看就是人的發(fā)聲器官在一個(gè)音轉(zhuǎn)向另一個(gè)音時(shí)其特性只能漸變，從而使得后一個(gè)音的頻譜與其他條件下的頻譜產(chǎn)生差異。上下文相關(guān)建模方法在建模時(shí)考慮了這一影響，從而使模型能更準(zhǔn)確地描述語音，只考慮前一音的影響的稱為Bi- Phone，考慮前一音和后一音的影響的稱為Tri-Phone。

　　英語的上下文相關(guān)建模通常以音素為基元，由于有些音素對其后音素的影響是相似的，因而可以通過音素解碼狀態(tài)的聚類進(jìn)行模型參數(shù)的共享。聚類的結(jié)果稱為senone。決策樹用來實(shí)現(xiàn)高效的triphone對senone的對應(yīng)，通過回答一系列前后音所屬類別（元/輔音、清/濁音等等）的問題，最終確定其HMM狀態(tài)應(yīng)使用哪個(gè)senone。分類回歸樹CART模型用以進(jìn)行詞到音素的發(fā)音標(biāo)注。

　　語言模型

　　語言模型主要分為規(guī)則模型和統(tǒng)計(jì)模型兩種。統(tǒng)計(jì)語言模型是用概率統(tǒng)計(jì)的方法來揭示語言單位內(nèi)在的統(tǒng)計(jì)規(guī)律，其中N-Gram簡單有效，被廣泛使用。

　　N-Gram：該模型基于這樣一種假設(shè)，第n個(gè)詞的出現(xiàn)只與前面N-1個(gè)詞相關(guān)，而與其它任何詞都不相關(guān)，整句的概率就是各個(gè)詞出現(xiàn)概率的乘積。這些概率可以通過直接從語料中統(tǒng)計(jì)N個(gè)詞同時(shí)出現(xiàn)的次數(shù)得到。常用的是二元的Bi-Gram和三元的Tri-Gram。

　　語言模型的性能通常用交叉熵和復(fù)雜度（Perplexity）來衡量。交叉熵的意義是用該模型對文本識別的難度，或者從壓縮的角度來看，每個(gè)詞平均要用幾個(gè)位來編碼。復(fù)雜度的意義是用該模型表示這一文本平均的分支數(shù)，其倒數(shù)可視為每個(gè)詞的平均概率。平滑是指對沒觀察到的N元組合賦予一個(gè)概率值，以保證詞序列總能通過語言模型得到一個(gè)概率值。通常使用的平滑技術(shù)有圖靈估計(jì)、刪除插值平滑、Katz平滑和Kneser-Ney平滑。

　　搜索

　　連續(xù)語音識別中的搜索，就是尋找一個(gè)詞模型序列以描述輸入語音信號，從而得到詞解碼序列。搜索所依據(jù)的是對公式中的聲學(xué)模型打分和語言模型打分。在實(shí)際使用中，往往要依據(jù)經(jīng)驗(yàn)給語言模型加上一個(gè)高權(quán)重，并設(shè)置一個(gè)長詞懲罰分?jǐn)?shù)。

　　Viterbi：基于動(dòng)態(tài)規(guī)劃的Viterbi算法在每個(gè)時(shí)間點(diǎn)上的各個(gè)狀態(tài)，計(jì)算解碼狀態(tài)序列對觀察序列的后驗(yàn)概率，保留概率最大的路徑，并在每個(gè)節(jié)點(diǎn)記錄下相應(yīng)的狀態(tài)信息以便最后反向獲取詞解碼序列。Viterbi算法在不喪失最優(yōu)解的條件下，同時(shí)解決了連續(xù)語音識別中HMM模型狀態(tài)序列與聲學(xué)觀察序列的非線性時(shí)間對準(zhǔn)、詞邊界檢測和詞的識別，從而使這一算法成為語音識別搜索的基本策略。

　　由于語音識別對當(dāng)前時(shí)間點(diǎn)之后的情況無法預(yù)測，基于目標(biāo)函數(shù)的啟發(fā)式剪枝難以應(yīng)用。由于Viterbi算法的時(shí)齊特性，同一時(shí)刻的各條路徑對應(yīng)于同樣的觀察序列，因而具有可比性，束Beam搜索在每一時(shí)刻只保留概率最大的前若干條路徑，大幅度的剪枝提高了搜索的效率。這一時(shí)齊Viterbi- Beam算法是當(dāng)前語音識別搜索中最有效的算法。N-best搜索和多遍搜索：為在搜索中利用各種知識源，通常要進(jìn)行多遍搜索，第一遍使用代價(jià)低的知識源，產(chǎn)生一個(gè)候選列表或詞候選網(wǎng)格，在此基礎(chǔ)上進(jìn)行使用代價(jià)高的知識源的第二遍搜索得到最佳路徑。此前介紹的知識源有聲學(xué)模型、語言模型和音標(biāo)詞典，這些可以用于第一遍搜索。為實(shí)現(xiàn)更高級的語音識別或口語理解，往往要利用一些代價(jià)更高的知識源，如4階或5階的N-Gram、4階或更高的上下文相關(guān)模型、詞間相關(guān)模型、分段模型或語法分析，進(jìn)行重新打分。最新的實(shí)時(shí)大詞表連續(xù)語音識別系統(tǒng)許多都使用這種多遍搜索策略。

　　N-best搜索產(chǎn)生一個(gè)候選列表，在每個(gè)節(jié)點(diǎn)要保留N條最好的路徑，會使計(jì)算復(fù)雜度增加到N倍。簡化的做法是只保留每個(gè)節(jié)點(diǎn)的若干詞候選，但可能丟失次優(yōu)候選。一個(gè)折衷辦法是只考慮兩個(gè)詞長的路徑，保留k條。詞候選網(wǎng)格以一種更緊湊的方式給出多候選，對N-best搜索算法作相應(yīng)改動(dòng)后可以得到生成候選網(wǎng)格的算法。

　　前向后向搜索算法是一個(gè)應(yīng)用多遍搜索的例子。當(dāng)應(yīng)用簡單知識源進(jìn)行了前向的Viterbi搜索后，搜索過程中得到的前向概率恰恰可以用在后向搜索的目標(biāo)函數(shù)的計(jì)算中，因而可以使用啟發(fā)式的A算法進(jìn)行后向搜索，經(jīng)濟(jì)地搜索出N條候選。

　　系統(tǒng)實(shí)現(xiàn)

　　語音識別系統(tǒng)選擇識別基元的要求是，有準(zhǔn)確的定義，能得到足夠數(shù)據(jù)進(jìn)行訓(xùn)練，具有一般性。英語通常采用上下文相關(guān)的音素建模，漢語的協(xié)同發(fā)音不如英語嚴(yán)重，可以采用音節(jié)建模。系統(tǒng)所需的訓(xùn)練數(shù)據(jù)大小與模型復(fù)雜度有關(guān)。模型設(shè)計(jì)得過于復(fù)雜以至于超出了所提供的訓(xùn)練數(shù)據(jù)的能力，會使得性能急劇下降。

　　聽寫機(jī)：大詞匯量、非特定人、連續(xù)語音識別系統(tǒng)通常稱為聽寫機(jī)。其架構(gòu)就是建立在前述聲學(xué)模型和語言模型基礎(chǔ)上的HMM拓?fù)浣Y(jié)構(gòu)。訓(xùn)練時(shí)對每個(gè)基元用前向后向算法獲得模型參數(shù)，識別時(shí)，將基元串接成詞，詞間加上靜音模型并引入語言模型作為詞間轉(zhuǎn)移概率，形成循環(huán)結(jié)構(gòu)，用Viterbi算法進(jìn)行解碼。針對漢語易于分割的特點(diǎn)，先進(jìn)行分割再對每一段進(jìn)行解碼，是用以提高效率的一個(gè)簡化方法。

　　對話系統(tǒng)：用于實(shí)現(xiàn)人機(jī)口語對話的系統(tǒng)稱為對話系統(tǒng)。受目前技術(shù)所限，對話系統(tǒng)往往是面向一個(gè)狹窄領(lǐng)域、詞匯量有限的系統(tǒng)，其題材有旅游查詢、訂票、數(shù)據(jù)庫檢索等等。其前端是一個(gè)語音識別器，識別產(chǎn)生的N-best候選或詞候選網(wǎng)格，由語法分析器進(jìn)行分析獲取語義信息，再由對話管理器確定應(yīng)答信息，由語音合成器輸出。由于目前的系統(tǒng)往往詞匯量有限，也可以用提取關(guān)鍵詞的方法來獲取語義信息。

　　適應(yīng)強(qiáng)健

　　語音識別系統(tǒng)的性能受許多因素的影響，包括不同的說話人、說話方式、環(huán)境噪音、傳輸信道等等。提高系統(tǒng)魯棒性，是要提高系統(tǒng)克服這些因素影響的能力，使系統(tǒng)在不同的應(yīng)用環(huán)境、條件下性能穩(wěn)定；自適應(yīng)的目的，是根據(jù)不同的影響來源，自動(dòng)地、有針對性地對系統(tǒng)進(jìn)行調(diào)整，在使用中逐步提高性能。以下對影響系統(tǒng)性能的不同因素分別介紹解決辦法。

　　解決辦法按針對語音特征的方法（以下稱特征方法）和模型調(diào)整的方法（以下稱模型方法）分為兩類。前者需要尋找更好的、高魯棒性的特征參數(shù)，或是在現(xiàn)有的特征參數(shù)基礎(chǔ)上，加入一些特定的處理方法。后者是利用少量的自適應(yīng)語料來修正或變換原有的說話人無關(guān)（SI）模型，從而使其成為說話人自適應(yīng)（SA）模型。

　　說話人自適應(yīng)的特征方法有說話人規(guī)一化和說話人子空間法，模型方法有貝葉斯方法、變換法和模型合并法。

　　語音系統(tǒng)中的噪聲，包括環(huán)境噪聲和錄音過程加入的電子噪聲。提高系統(tǒng)魯棒性的特征方法包括語音增強(qiáng)和尋找對噪聲干擾不敏感的特征，模型方法有并行模型組合PMC方法和在訓(xùn)練中人為加入噪聲。信道畸變包括錄音時(shí)話筒的距離、使用不同靈敏度的話筒、不同增益的前置放大和不同的濾波器設(shè)計(jì)等等。特征方法有從倒譜矢量中減去其長時(shí)平均值和RASTA濾波，模型方法有倒譜平移。

　　識別引擎

　　微軟在office和vista中都應(yīng)用了自己開發(fā)的語音識別引擎，微軟語音識別引擎的使用是完全免費(fèi)的，所以產(chǎn)生了許多基于微軟語音識別引擎開發(fā)的語音識別應(yīng)用軟件，例如《語音游戲大師》《語音控制專家》《芝麻開門》《警衛(wèi)語音識別系統(tǒng)》等等軟件。其中《警衛(wèi)語音識別系統(tǒng)》是唯一可以控制單片機(jī)類的硬件設(shè)施??！

　　2009年微軟發(fā)布windows 7操作系統(tǒng)，語音識別軟件得到了更好的推廣！

　　性能指標(biāo)

　　指標(biāo)

　　語音識別系統(tǒng)的性能指標(biāo)主要有四項(xiàng)。①詞匯表范圍：這是指機(jī)器能識別的單詞或詞組的范圍，如不作任何限制，則可認(rèn)為詞匯表范圍是無限的。②說話人限制：是僅能識別指定發(fā)話者的語音，還是對任何發(fā)話人的語音都能識別。③訓(xùn)練要求：使用前要不要訓(xùn)練，即是否讓機(jī)器先“聽”一下給定的語音，以及訓(xùn)練次數(shù)的多少。④正確識別率：平均正確識別的百分?jǐn)?shù)，它與前面三個(gè)指標(biāo)有關(guān)。

　　小結(jié)

　　以上介紹了實(shí)現(xiàn)語音識別系統(tǒng)的各個(gè)方面的技術(shù)。這些技術(shù)在實(shí)際使用中達(dá)到了較好的效果，但如何克服影響語音的各種因素還需要更深入地分析。目前聽寫機(jī)系統(tǒng)還不能完全實(shí)用化以取代鍵盤的輸入，但識別技術(shù)的成熟同時(shí)推動(dòng)了更高層次的語音理解技術(shù)的研究。由于英語與漢語有著不同的特點(diǎn)，針對英語提出的技術(shù)在漢語中如何使用也是一個(gè)重要的研究課題，而四聲等漢語本身特有的問題也有待解決。

　　最新進(jìn)展

　　近幾年來，特別是2009年以來，借助機(jī)器學(xué)習(xí)領(lǐng)域深度學(xué)習(xí)研究的發(fā)展，以及大數(shù)據(jù)語料的積累，語音識別技術(shù)得到突飛猛進(jìn)的發(fā)展。

　　1、技術(shù)新發(fā)展

　　1）將機(jī)器學(xué)習(xí)領(lǐng)域深度學(xué)習(xí)研究引入到語音識別聲學(xué)模型訓(xùn)練，使用帶RBM預(yù)訓(xùn)練的多層神經(jīng)網(wǎng)絡(luò)，極大提高了聲學(xué)模型的準(zhǔn)確率。在此方面，微軟公司的研究人員率先取得了突破性進(jìn)展，他們使用深層神經(jīng)網(wǎng)絡(luò)模型（DNN）后，語音識別錯(cuò)誤率降低了30%，是近20年來語音識別技術(shù)方面最快的進(jìn)步。

　　2）目前大多主流的語音識別解碼器已經(jīng)采用基于有限狀態(tài)機(jī)（WFST）的解碼網(wǎng)絡(luò)，該解碼網(wǎng)絡(luò)可以把語言模型、詞典和聲學(xué)共享音字集統(tǒng)一集成為一個(gè)大的解碼網(wǎng)絡(luò)，大大提高了解碼的速度，為語音識別的實(shí)時(shí)應(yīng)用提供了基礎(chǔ)。

　　3）隨著互聯(lián)網(wǎng)的快速發(fā)展，以及手機(jī)等移動(dòng)終端的普及應(yīng)用，目前可以從多個(gè)渠道獲取大量文本或語音方面的語料，這為語音識別中的語言模型和聲學(xué)模型的訓(xùn)練提供了豐富的資源，使得構(gòu)建通用大規(guī)模語言模型和聲學(xué)模型成為可能。在語音識別中，訓(xùn)練數(shù)據(jù)的匹配和豐富性是推動(dòng)系統(tǒng)性能提升的最重要因素之一，但是語料的標(biāo)注和分析需要長期的積累和沉淀，隨著大數(shù)據(jù)時(shí)代的來臨，大規(guī)模語料資源的積累將提到戰(zhàn)略高度。

　　2、技術(shù)新應(yīng)用

　　近期，語音識別在移動(dòng)終端上的應(yīng)用最為火熱，語音對話機(jī)器人、語音助手、互動(dòng)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(cái)力展開此方面的研究和應(yīng)用，目的是通過語音交互的新穎和便利模式迅速占領(lǐng)客戶群。

　　目前，國外的應(yīng)用一直以蘋果的siri為龍頭。

　　而國內(nèi)方面，科大訊飛、云知聲、盛大、捷通華聲、搜狗語音助手、紫冬口譯、百度語音等系統(tǒng)都采用了最新的語音識別技術(shù)，市面上其他相關(guān)的產(chǎn)品也直接或間接嵌入了類似的技術(shù)。