淺談?wù)Z音識(shí)別技術(shù)論文(2)
淺談?wù)Z音識(shí)別技術(shù)論文
淺談?wù)Z音識(shí)別技術(shù)論文篇二
語(yǔ)音識(shí)別技術(shù)的發(fā)展
【摘 要】語(yǔ)音識(shí)別技術(shù)研究讓人更加方便地享受到更多的社會(huì)信息資源和現(xiàn)代化服務(wù)，對(duì)任何事都能夠通過(guò)語(yǔ)音交互的方式。
【關(guān)鍵詞】語(yǔ)音識(shí)別技術(shù);發(fā)展趨勢(shì)
語(yǔ)音識(shí)別是一門交叉學(xué)科。語(yǔ)音識(shí)別研究經(jīng)歷了50多年的研究歷程，經(jīng)過(guò)50多年的積累研究，獲得了巨大的進(jìn)展。特別是近20年來(lái)，語(yǔ)音識(shí)別技術(shù)取得了顯著的進(jìn)步，并逐步的走向市場(chǎng)。在未來(lái)的日子里，語(yǔ)音識(shí)別技術(shù)將應(yīng)用更為廣泛。
一、語(yǔ)音識(shí)別技術(shù)概述
語(yǔ)音識(shí)別是解決機(jī)器“聽(tīng)懂”人類語(yǔ)言的一項(xiàng)技術(shù)。作為智能計(jì)算機(jī)研究的主導(dǎo)方向和人機(jī)語(yǔ)音通信的關(guān)鍵技術(shù)，語(yǔ)音識(shí)別技術(shù)一直受到各國(guó)科學(xué)界的廣泛關(guān)注。如今，隨著語(yǔ)音識(shí)別技術(shù)研究的突破，其對(duì)計(jì)算機(jī)發(fā)展和社會(huì)生活的重要性日益凸現(xiàn)出來(lái)。以語(yǔ)音識(shí)別技術(shù)開發(fā)出的產(chǎn)品應(yīng)用領(lǐng)域非常廣泛，如聲控電話交換、信息網(wǎng)絡(luò)查詢、家庭服務(wù)、賓館服務(wù)、醫(yī)療服務(wù)、銀行服務(wù)、工業(yè)控制、語(yǔ)音通信系統(tǒng)等，幾乎深入到社會(huì)的每個(gè)行業(yè)和每個(gè)方面。
廣泛意義上的語(yǔ)音識(shí)別按照任務(wù)的不同可以分為4個(gè)方向：說(shuō)話人識(shí)別、關(guān)鍵詞檢出、語(yǔ)言辨識(shí)和語(yǔ)音識(shí)別。說(shuō)話人識(shí)別技術(shù)是以話音對(duì)說(shuō)話人進(jìn)行區(qū)別，從而進(jìn)行身份鑒別和認(rèn)證的技術(shù)。關(guān)鍵詞檢出技術(shù)應(yīng)用于一些具有特定要求的場(chǎng)合，只關(guān)注那些包含特定詞的句子，例如對(duì)一些特殊人名、地名的電話監(jiān)聽(tīng)等。語(yǔ)言辨識(shí)技術(shù)是通過(guò)分析處理一個(gè)語(yǔ)音片斷以判別其所屬語(yǔ)言種類的技術(shù)，本質(zhì)上也是語(yǔ)音識(shí)別技術(shù)的一個(gè)方面。語(yǔ)音識(shí)別就是通常人們所說(shuō)的以說(shuō)話的內(nèi)容作為識(shí)別對(duì)象的技術(shù)，它是4個(gè)方面中最重要和研究最廣泛的一個(gè)方向，也是本文討論的主要內(nèi)容。
二、語(yǔ)音識(shí)別的研究歷史
語(yǔ)音識(shí)別的研究工作始于20世紀(jì)50年代，1952年Bell實(shí)驗(yàn)室開發(fā)的Audry系統(tǒng)是第一個(gè)可以識(shí)別10個(gè)英文數(shù)字的語(yǔ)音識(shí)別系統(tǒng)。
1959年，Rorgie和Forge采用數(shù)字計(jì)算機(jī)識(shí)別英文元音和孤立詞，從此開始了計(jì)算機(jī)語(yǔ)音識(shí)別。
60年代，蘇聯(lián)的Matin等提出了語(yǔ)音結(jié)束點(diǎn)的端點(diǎn)檢測(cè)，使語(yǔ)音識(shí)別水平明顯上升;Vintsyuk提出了動(dòng)態(tài)編程，這一提法在以后的識(shí)別中不可或缺。60年代末、70年代初的重要成果是提出了信號(hào)線性預(yù)測(cè)編碼(LPC)技術(shù)和動(dòng)態(tài)時(shí)間規(guī)整(DTW)技術(shù)，有效地解決了語(yǔ)音信號(hào)的特征提取和不等長(zhǎng)語(yǔ)音匹配問(wèn)題;同時(shí)提出了矢量量化(VQ)和隱馬爾可夫模型(HMM)理論。
80年代語(yǔ)音識(shí)別研究進(jìn)一步走向深入：HMM模型和人工神經(jīng)網(wǎng)絡(luò)(ANN)在語(yǔ)音識(shí)別中成功應(yīng)用。1988年，F(xiàn)ULEE Kai等用VQ/I-IMM方法實(shí)現(xiàn)了997個(gè)詞匯的非特定人連續(xù)語(yǔ)音識(shí)別系統(tǒng)SPHINX。這是世界上第1個(gè)高性能的非特定人、大詞匯量、連續(xù)語(yǔ)音識(shí)別系統(tǒng)。
進(jìn)入90年代后，語(yǔ)音識(shí)別技術(shù)進(jìn)一步成熟，并開始向市場(chǎng)提供產(chǎn)品。許多發(fā)達(dá)國(guó)家如美國(guó)、日本、韓國(guó)以及IBM、Apple、AT&;T、Microsoft等公司都為語(yǔ)音識(shí)別系統(tǒng)的實(shí)用化開發(fā)研究投以巨資。同時(shí)漢語(yǔ)語(yǔ)音識(shí)別也越來(lái)越受到重視。IBM開發(fā)的ViaVoice和Microsoft開發(fā)的中文識(shí)別引擎都具有了相當(dāng)高的漢語(yǔ)語(yǔ)音識(shí)別水平。
進(jìn)入21世紀(jì)，隨著消費(fèi)類電子產(chǎn)品的普及，嵌入式語(yǔ)音處理技術(shù)發(fā)展迅速[2]?；谡Z(yǔ)音識(shí)別芯片的嵌入式產(chǎn)品也越來(lái)越多，如Sensory公司的RSC系列語(yǔ)音識(shí)別芯片、Infineon公司的Unispeech和Unilite語(yǔ)音芯片等，這些芯片在嵌入式硬件開發(fā)中得到了廣泛的應(yīng)用。在軟件上，目前比較成功的語(yǔ)音識(shí)別軟件有：Nuance、IBM的Viavoice和Microsoft的SAPI以及開源軟件HTK，這些軟件都是面向非特定人、大詞匯量的連續(xù)語(yǔ)音識(shí)別系統(tǒng)。
三、語(yǔ)音識(shí)別技術(shù)的發(fā)展現(xiàn)狀
語(yǔ)音識(shí)別技術(shù)通過(guò)全球科學(xué)家的共同努力，經(jīng)歷半個(gè)多世紀(jì)的研究，目前已經(jīng)發(fā)展到了接近實(shí)用的階段。在實(shí)驗(yàn)室環(huán)境下，大詞匯量的朗讀式連續(xù)說(shuō)話的寬帶語(yǔ)音信號(hào)的平均識(shí)別率可以達(dá)到90%以上。正式有了如此高的識(shí)別率之后，語(yǔ)音識(shí)別技術(shù)慢慢地從實(shí)驗(yàn)室演示系統(tǒng)逐步走向?qū)嵱没唐?。以IBM Via Voice和Dragon Dictation為代表的兩個(gè)聽(tīng)寫機(jī)系統(tǒng)的出現(xiàn)，使“語(yǔ)音識(shí)別”逐步進(jìn)入大眾視線，引起了廣泛的社會(huì)關(guān)注。
由于校對(duì)和更正識(shí)別的錯(cuò)誤很麻煩和浪費(fèi)時(shí)間，這樣便降低語(yǔ)音識(shí)別的優(yōu)勢(shì)。同時(shí)，由于使用的環(huán)境或講話口音習(xí)慣等因素的影響，語(yǔ)音識(shí)別的內(nèi)容大大降低，識(shí)別的內(nèi)容不能達(dá)到100%的正確，所以很多人認(rèn)為目前的語(yǔ)音識(shí)別系統(tǒng)還無(wú)法滿足實(shí)用要求。
目前，AT&T和MIT等將語(yǔ)音識(shí)別技術(shù)應(yīng)用在一些有限詞匯的特定任務(wù)上，如電話自動(dòng)轉(zhuǎn)接、電話查詢、數(shù)字串識(shí)別的任務(wù)中，當(dāng)講話的內(nèi)容是系統(tǒng)所存儲(chǔ)的內(nèi)容存在的，且使用環(huán)境的聲學(xué)特性與訓(xùn)練數(shù)據(jù)的聲學(xué)特性相差不太大時(shí)，語(yǔ)音識(shí)別的正確識(shí)別率可以接近100%。但是，在實(shí)際使用中如果這些條件被破壞，則會(huì)對(duì)識(shí)別系統(tǒng)造成一定的影響。
我國(guó)的語(yǔ)音識(shí)別研究一直緊跟國(guó)際水平，國(guó)家也很重視。國(guó)內(nèi)中科院的自動(dòng)化所、聲學(xué)所以及清華大學(xué)等科研機(jī)構(gòu)和高校都在從事語(yǔ)音識(shí)別領(lǐng)域的研究和開發(fā)。國(guó)家863智能計(jì)算機(jī)專家組為語(yǔ)音識(shí)別技術(shù)研究專門立項(xiàng)，并取得了高水平的科研成果。我國(guó)中科院自動(dòng)化所研制的非特定人、連續(xù)語(yǔ)音聽(tīng)寫系統(tǒng)和漢語(yǔ)語(yǔ)音人機(jī)對(duì)話系統(tǒng)，其準(zhǔn)確率和系統(tǒng)響應(yīng)率均可達(dá)90%以上。
四、語(yǔ)音識(shí)別技術(shù)發(fā)展趨勢(shì)
語(yǔ)音作為當(dāng)前通信系統(tǒng)中最自然的通信媒介，語(yǔ)音識(shí)別技術(shù)是非常重要的人機(jī)交互技術(shù)。隨著計(jì)算機(jī)和語(yǔ)音處理技術(shù)的發(fā)展，語(yǔ)音識(shí)別系統(tǒng)的實(shí)用性將進(jìn)一步提高。應(yīng)用語(yǔ)音的自動(dòng)理解和翻譯，可消除人類相互交往的語(yǔ)言障礙。國(guó)外已有多種基于語(yǔ)音識(shí)別產(chǎn)品的應(yīng)用，如聲控?fù)芴?hào)電話、語(yǔ)音記事本等，基于特定任務(wù)和環(huán)境的聽(tīng)寫機(jī)也已經(jīng)進(jìn)入應(yīng)用階段。這預(yù)示著語(yǔ)音識(shí)別技術(shù)有著非常廣泛的應(yīng)用領(lǐng)域和市場(chǎng)前景。隨著語(yǔ)音技術(shù)的進(jìn)步和通信技術(shù)的飛速發(fā)展，語(yǔ)音識(shí)別技術(shù)將為網(wǎng)上會(huì)議、商業(yè)管理、醫(yī)藥衛(wèi)生、教育培訓(xùn)等各個(gè)領(lǐng)域帶來(lái)極大的便利，其應(yīng)用和經(jīng)濟(jì)、社會(huì)效益前景非常良好. 雖然語(yǔ)音識(shí)別在過(guò)去的20年里有了很大的發(fā)展，但是，仍然存在很多的不足，有待于進(jìn)一步的探索，具體可分為以下幾個(gè)方面：
1.提高可靠性。語(yǔ)音識(shí)別技術(shù)需要能排除各種聲學(xué)環(huán)境因素的影響。在比較嘈雜的公共環(huán)境中，人的意識(shí)會(huì)有意識(shí)的排除非需要的聲學(xué)環(huán)境因素，這對(duì)語(yǔ)音識(shí)別系統(tǒng)而言，是很難做到的。另外，在日常生活中，人類的語(yǔ)言常常具有較大的不確定性，比較隨意，并帶有明顯的言語(yǔ)習(xí)慣。這同樣會(huì)給語(yǔ)音識(shí)別系統(tǒng)很大的識(shí)別麻煩。目前，在提高語(yǔ)音系統(tǒng)在不同環(huán)境中的可靠性，同時(shí)要應(yīng)用現(xiàn)代技術(shù)讓語(yǔ)音識(shí)別系統(tǒng)更加智能化，掌握人們語(yǔ)言隨意性的部分規(guī)律，以達(dá)到最佳的識(shí)別效果。
2.增加詞匯量。系統(tǒng)可以識(shí)別的詞匯的數(shù)量是系統(tǒng)能夠做什么事情的一個(gè)重要度量。一個(gè)語(yǔ)音識(shí)別系統(tǒng)使用的聲學(xué)模型和語(yǔ)音模型如果太過(guò)于局限，當(dāng)用戶所講的詞匯超出系統(tǒng)已知的范圍時(shí)，則語(yǔ)音識(shí)別系統(tǒng)不能準(zhǔn)確的識(shí)別出相應(yīng)的內(nèi)容，比如，當(dāng)突然從中文轉(zhuǎn)為英文、法文、俄文時(shí)，計(jì)算機(jī)就會(huì)常常輸出混亂奇怪的結(jié)果。但是，隨著系統(tǒng)建模方法的不斷改進(jìn)、搜索算法效率的提高以及硬件資源的發(fā)展，未來(lái)的語(yǔ)音識(shí)別系統(tǒng)可能會(huì)做到詞匯量無(wú)限制和多種語(yǔ)言混合，這樣用戶在使用的時(shí)候可以不必在語(yǔ)種之間來(lái)回切換，這樣就能大大減少詞匯量的對(duì)語(yǔ)音識(shí)別系統(tǒng)的限制。
3.應(yīng)用拓展。語(yǔ)音識(shí)別技術(shù)可以用于把費(fèi)腦、費(fèi)力、費(fèi)時(shí)的機(jī)器操作變成一件很容易很有趣味性的事，比如，當(dāng)人們出現(xiàn)手忙、手不能及以及分身無(wú)術(shù)的場(chǎng)景時(shí)，通過(guò)語(yǔ)音識(shí)別系統(tǒng)的模型構(gòu)造，則能夠在象駕駛室、危險(xiǎn)的工業(yè)場(chǎng)合、遠(yuǎn)距離信息獲取、家電控制等各個(gè)方面，語(yǔ)音識(shí)別技術(shù)可能帶動(dòng)一系列嶄新或更便捷功能的設(shè)備出現(xiàn)，更加方便人的工作和生活。其應(yīng)用的范圍和前景非常廣泛。不僅能夠應(yīng)用于日常生活，更重要的會(huì)帶來(lái)生產(chǎn)方式的革命，是下一代智能化控制的基礎(chǔ)。
4.降低成本減小體積。微型化是語(yǔ)音識(shí)別技術(shù)商業(yè)應(yīng)用的另一個(gè)重要途徑，其推廣程這取決于語(yǔ)音識(shí)別技術(shù)本身進(jìn)步的程度，同時(shí)與微電子芯片技術(shù)的進(jìn)一步發(fā)展關(guān)系密切。將具有先進(jìn)功能和性能的語(yǔ)音識(shí)別應(yīng)用系統(tǒng)固化到更加微小的芯片或模塊上，可以大幅度降低產(chǎn)品成本和體積，產(chǎn)品必然受到消費(fèi)者的青睞，語(yǔ)音識(shí)別系統(tǒng)和微電子芯片技術(shù)的發(fā)展是會(huì)引領(lǐng)我們的信息技術(shù)革命到一個(gè)新的臺(tái)階。
21世紀(jì)是信息和網(wǎng)絡(luò)的時(shí)代，Internet和移動(dòng)通信、固話通信的網(wǎng)絡(luò)把全球各地連接起來(lái)。自然口語(yǔ)對(duì)話、電子商務(wù)、信息索取、數(shù)字圖書館、語(yǔ)音翻譯、遠(yuǎn)程教育等一系列的人類活動(dòng)都可在網(wǎng)絡(luò)上實(shí)現(xiàn)。語(yǔ)音識(shí)別系統(tǒng)的出現(xiàn)，會(huì)讓人更加自由的溝通，讓人在任何地方，任何時(shí)間，對(duì)任何事都能夠通過(guò)語(yǔ)音交互的方式，方便地享受到更多的社會(huì)信息資源和現(xiàn)代化服務(wù)。這必然會(huì)成為語(yǔ)音識(shí)別技術(shù)研究和應(yīng)用的重要發(fā)展趨勢(shì)。
看了“淺談?wù)Z音識(shí)別技術(shù)論文”的人還看：