【文章內(nèi)容簡介】 。 41 程序 43 程序 44 函數(shù)程序 49 畢業(yè)設計（論文）報告紙 共 50 頁 第 3 頁 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 裝 ┊ ┊ ┊ ┊ ┊ 訂 ┊ ┊ ┊ ┊ ┊ 線 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 引言 語音識別技術就是讓機器通過識別和理解過程把人類的語音信號轉變?yōu)橄鄳奈谋净蛎畹募夹g，屬于多維 模式識別和智能計算機接口的范疇。其研究目標是讓計算機 “ 聽懂 ” 人類口述的語言 ， 這是人類自計算機誕生以來夢寐以求的想法。隨著計算機軟硬件和信息技術的飛速發(fā)展，這種想法更加明顯，人們越來越迫切要求擺脫鍵盤的束縛而代之以語音輸入這樣便于使用的、自然的、人性化的輸入方式。 語音識別起源于 20世紀 50年代 AT＆ T貝爾實驗室的 Audry 系統(tǒng)， 它第一次實現(xiàn)了10 個英文數(shù)字的語音識別，這是語音識別研究工作的開端。 60 年代，計算機的應用推動了語音識別的發(fā)展。這時期的重要成果是提出了動態(tài)規(guī)劃和線性預測分析技術（ LP），其 中后者較好地解決了語音信號產(chǎn)生模型的問題，對語音識別的發(fā)展產(chǎn)生了深遠影響。 70 年代，語音識別領域取得了突破。 LP 技術得到進一步發(fā)展，動態(tài)時間歸正技術（ DTW）基本成熟，特別是提出了矢量量化（ VQ）和隱馬爾可夫模型（ HMM）理論， 并實現(xiàn)了基于線性預測倒譜和 DTW 技術的特定人孤立語音識別系統(tǒng)。 80 年代，實驗室語音識別研究產(chǎn)生了巨大突破，一方面各種連接詞語音識別算法被開發(fā)，例如多級動態(tài)規(guī)劃語音識別算法；另一方面語音識別算法從模板匹配技術轉向基于統(tǒng)計模型技術，研究從微觀轉向宏觀，從統(tǒng)計的角度來建立最佳的語 音識別系統(tǒng)。進入90 年代以后， 人工神經(jīng)網(wǎng)絡技術的應用成為語音識別的一條新途徑， 它具有自適應性、并行性、非線性、魯棒性、容錯性和學習特性，在結構和算法上都顯示出了很大的潛力，而且還在細化模型的設計、參數(shù)提取和優(yōu)化 ,以及系統(tǒng)的自適應技術上取得了關鍵進展。語音識別技術進一步成熟，語音識別系統(tǒng)從實驗室走向實用。 語音識別技術是非常重要的人機交互技術，應用語音的自動理解和翻譯，可消除人類相互交往的語言障礙。國外已有多種基于語音識別產(chǎn)品如聲控撥號電話、語音記事本等已經(jīng)應用，基于特定任務和環(huán)境的聽寫機也已經(jīng)進入應用 階段，這預示著語音識別技術有著非常廣泛的應用領域和市場前景。隨著語音技術的進步和通信技術的飛速發(fā)展，語音識別技術將為網(wǎng)上會議、商業(yè)管理、醫(yī)藥衛(wèi)生、教育培訓等各個領域帶來極大的便利。 畢業(yè)設計（論文）報告紙 共 50 頁 第 4 頁 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 裝 ┊ ┊ ┊ ┊ ┊ 訂 ┊ ┊ ┊ ┊ ┊ 線 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 第一章 語音識別簡介 語音識別的研究歷史及現(xiàn)狀 語音識別的研究工作始于 20 世紀 50 年代， 1952 年 Bell實驗室開發(fā)的 Audry 系統(tǒng)是第一個可以識別 10 個英文數(shù)字的語音識別系統(tǒng)。 1959 年， Rie 和 Fe 采用數(shù)字計算機識別英文元音和孤立詞，從此開始了計算機語音識別。 60 年代，蘇聯(lián)的 Matin 等提出了語音結束點的端點檢測，使語音識別水平明顯上升； Vintsyuk 提出了動態(tài)編程，這一提法在以后的識別中不可或缺。 60 年代末、 70 年代初的重要成果是提出了信號線性預測編碼 (LPC)技術和動態(tài)時間規(guī)整 (DTW)技術，有效地解決了語音信號的特征提取和不等長語音匹配問題 ； 同時提出了矢量量化 (VQ)和隱馬爾可夫模型 (HMM)理論。 80 年代語音識別研究進一步走向深入： HMM 模型和人工神經(jīng)網(wǎng)絡 (ANN)在語音識別中成功應用。 1988 年， FULEE Kai 等用 VQ/IIMM 方法實現(xiàn)了 997 個詞匯的非特定 人連續(xù)語音識別系統(tǒng) SPHINX。這是世界上第 1 個高性能的非特定人、大詞匯量、連續(xù)語音識別系統(tǒng)。 進 入 90 年代后，語音識別技術進一步成熟，并開始向市場提供產(chǎn)品。許多發(fā)達國家如美國、日本、韓國以及 IBM、 Apple、 ATamp。T、 Microsoft 等公司都為語音識別系統(tǒng)的實用化開發(fā)研究投以巨資。同時漢語語音識別也越來越受到重視。 IBM 開發(fā)的 ViaVoice 和 Microsoft 開發(fā)的中文識別引擎都具有了相當高的漢語語音識別水平。 進入 21 世紀，隨著消費類電子產(chǎn)品的普及 ， 嵌入式語音處理技術發(fā)展迅速。基于語音識別 芯片的嵌入式產(chǎn)品也越來越多，如 Sensory 公司的 RSC 系列語音識別芯片、 Infineon 公司的 Unispeech 和 Unilite 語音芯片等，這些芯片在嵌入式硬件開發(fā)中得到了廣泛的應用。在軟件 上，目前比較成功的語音識別軟件 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)語音識別系統(tǒng)。 我國語音識別研究一直緊跟國際水平，國家也很重視。國內(nèi)中科院的自動化所、聲學所以及清華大學等科研機構和高校都在從事語音識別領域的研究和開發(fā)。 國家 863 智能計算機專家組為語音識別技術研究專門立項，并取得了高水平的科研成果。我國中科院自動化所研制的非特定人、連續(xù)語音聽寫系統(tǒng)和漢語語音人機對話 系統(tǒng)，其準確率和系統(tǒng)響應率均可達 90%以上。 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)的相關性考慮，可以將識別系統(tǒng)分為三類：（ 1）特定人語音識別系統(tǒng)。僅考慮對于專人的話音進行識別。（ 2）非特定人語音系統(tǒng)。識別的語音與人無關，通常要用大量不同 畢業(yè)設計（論文）報告紙 共 50 頁 第 5 頁 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 裝 ┊ ┊ ┊ ┊ ┊ 訂 ┊ ┊ ┊ ┊ ┊ 線 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 人的語音數(shù)據(jù)庫對識別系統(tǒng)進行學習。（ 3）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行訓練。 如果從說話的方式考慮，也可以將識別系統(tǒng)分為三類：（ 1）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。（ 2）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)。（ 3）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：（ 1）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)。（ 2）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)。（ 3）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)詞匯量大小進行分類也不斷進行變化。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。 語音識別系統(tǒng)的基本原理 目 前，大多數(shù)語音識別系統(tǒng)都采用了模式匹配的原理。根據(jù)這個原理，未知語音的模式要與已知語音的參考模式逐一進行比較，最佳匹配的參考模式被作為識別結果。圖 11 是基于模式匹配原理的自動語音識別系統(tǒng)方框圖。 圖 11 語音識別原理圖 該圖中， 待識別語音先經(jīng)話筒變換成語音信號，然后從識別系統(tǒng)前端輸入，再進行預處理。預處理包括語音信號采樣、反混疊帶通濾波、去除個體發(fā)音差異和設備、環(huán)境引起的噪聲影響等，并涉及到語音識別基元的選取和端點檢測問題，有時還包括模數(shù)轉換器。特征提取部分用于提取語音中反映本質(zhì)特征的聲學參數(shù)，常用的特征有短時平均能量或幅度、短時平均跨零率、短時自相關函數(shù)、線性預測系數(shù)、清音 /濁音標志、基音頻率、短時傅立葉變換、倒譜、共振峰等。訓練在識別之前進行， 是通過讓講話者多次重復語音，從原始語音樣本中去除冗余信息，保留關鍵數(shù)據(jù)，再按語音輸入 預處理 特征提取 模式匹配 判別規(guī)則 模板庫 訓練練 識別 識別結果 畢業(yè)設計（論文）報告紙 共 50 頁 第 6 頁 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 裝 ┊ ┊ ┊ ┊ ┊ 訂 ┊ ┊ ┊ ┊ ┊ 線 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 一定規(guī)則對數(shù)據(jù)加以聚類，形成模式庫。模式匹配是整個語音識別系統(tǒng)的核心，是根據(jù)一定的準則以及專家知識（例如構詞規(guī)則、語法規(guī)則、語義規(guī)則等），計算輸入特征與庫存模式之間的相似度，判斷出輸入語音的語意信息 ，斷定相似度最高的模板為輸入的語音信息 。 所以，模板庫的 廣大和清晰度是衡量模板庫的兩個標準。清晰度和廣泛度越高的模板庫可以更好的提高語音識別的準確率。 語音識 別的基本構成 語音識別系統(tǒng)的典型實現(xiàn)方案為：輸入的模擬語音信號首先要進行預處理，包括預濾波，采樣和量化，加窗，端點處理，預加重等。語音信號經(jīng)過預處理后，重要的一環(huán)就是特征參數(shù)的提取。對特征參數(shù)的要求是： 1) 提取的特征參數(shù)能有效的代表語音特征，具有良好的區(qū)分性。 2) 各階參數(shù)具有良好的區(qū)分性。 3) 特征參數(shù)要計算方便，最好有高效的計算方法，以保證語音識別的實時實現(xiàn)。 在訓練階段，將特征參數(shù)進行預處理后，每個詞條都得到一個模型，保存為模板庫。在識別階段，語音喜好經(jīng)過相同的通道的到語音參數(shù)，生成測試模板，與參考模板進行匹 配，將匹配分數(shù)最高的模板作為識別結果，同時，還可以在許多先驗知識的幫助下，提高準確率。 語音識別的幾種基本方法 語音識別方法主要有動態(tài)時間歸正技術 （ DTW） 、 矢量量化技術 （ VQ） 、 隱馬爾可夫模型 （ HMM） 、 基于段長分布的非齊次隱含馬爾可夫模型 （ Duration Distribution Based Hidden Markov Model， DDBHMM） 和人工神經(jīng)元網(wǎng)絡 （ ANN） 。 DTW和 VQ DTW 是較早的一種模式匹配和模型訓練技術 ， 它應用動態(tài)規(guī)劃方法成功解決了語音信號特征參數(shù)序列比 較時時長不等的難題 ， 在孤立詞語音識別中獲得了良好 性能 。 但因其不適合連續(xù)語音大詞匯量語音識別系統(tǒng) ， 目前已被 HMM 模型和 ANN 代替 。 VQ 技術從訓練語音提取特征矢量 ， 得到特征矢量集 ， 通過 LBG 算法生成碼本 ，在識別時從測試語音提取特征矢量序列 ， 把它們與各個碼本進行匹配 ， 計算各自的平均量化誤差 ， 選擇平均量化誤差最小的碼本 ， 作為被識別的語音 。 但同樣只適用孤立詞而不適合連續(xù)語音大詞匯量語音識別 。 HMM模型 HMM 模型是語音信號時變特征的有參表示法，它由相互關聯(lián)的兩個隨機過程共同描述信號的統(tǒng)計特性 ，其中一個是隱蔽的（不可觀測的）具有有限狀態(tài)的 Markov 鏈，另一個是與 Markov 鏈的每一狀態(tài)相關聯(lián)的觀察矢量的隨機過程（可觀測的）。隱蔽Markov鏈的特征要靠可觀測到的信號特征揭示。這樣，語音時變信號某一段的特征就 畢業(yè)設計（論文）報告紙 共 50 頁 第 7 頁 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 裝 ┊ ┊ ┊ ┊ ┊ 訂 ┊ ┊ ┊ ┊ ┊ 線 ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ ┊ 由對應狀態(tài)觀察符號的隨機過程描述， 而信號隨時間的變化由隱蔽 Markov 鏈的轉移概率描述。模型參數(shù)包括 HMM 拓撲結構、狀態(tài)轉移概率及描述觀察符號統(tǒng)計特性的一組隨機函數(shù)。按照隨機函數(shù)的特點， HMM 模型可分為離散隱馬爾可夫模型（采用離散概率密度函數(shù)，簡稱 DHMM）和連續(xù)隱馬爾可夫模型（ 采用連續(xù)概率密度函數(shù)，簡稱 CHMM）以及半連續(xù)隱馬爾可夫模型（ SCHMM）。一般來講， 在訓練數(shù)據(jù)足夠的情況下， CHMM 優(yōu)于 DHMM 和 SCHMM。 HMM 模型統(tǒng)一了語音識別中聲學層和語音學層的算法結構，以概率的形式將聲學層中得到的信息和語音學層中已有的信息完美地結合在一起，極大地增強了連續(xù)語音識別的效果。 改進的 HMMDDBHMM 王作英教授提出了一個基于段長分布的非齊次隱含馬爾可夫模型 DDBHMM， 以此理論為指導所設計的語音識別聽寫機系統(tǒng)在 1998 年的全國語音識別系統(tǒng)評測中取得冠 軍，從而顯示了這一新模型的生命力和在這一研究領域內(nèi)的領先水平。 語音學的研究表明，語音單位在詞中的長度有一個相對平穩(wěn)的分布。正是這種狀態(tài)長度分布的相對平穩(wěn)性破壞了 HMM 模型的齊次性結構，而王作英教授提出 的 DDBHMM模型解決了這一缺陷。它是一個非齊次的 HMM 語音識別模型，從非平穩(wěn)的角度考慮問題 ， 用狀態(tài)的段長分布函數(shù)替代了齊次 HMM 中的狀態(tài)轉移矩陣，徹底拋棄了 “平穩(wěn)的假設 ”，使模型成為一種基于狀態(tài)段長分布的隱含 Markov模型。段長分布函數(shù)的引入澄清了經(jīng)典 HMM 語音識別模型的許多矛盾 ， 這使得 DDBHMM比國 際 上流行的 HMM 語音識別模型有更好的識別性能和更低的計算復雜度（訓練算法比流行的Baum 算法復雜度低兩個數(shù)量級）。由于該模型解除了對語音信號狀態(tài)的齊次性和對語音特征的非相關性的限制，因此為語音識別研究的深入發(fā)展提供了一個和諧的框架。 人工神經(jīng)元網(wǎng)絡（ ANN） 人工神經(jīng)元網(wǎng)絡在語音識別中的應用是現(xiàn)在研究的又一熱點。 ANN本質(zhì)上是一個自適應非線性動力學系統(tǒng)，模擬了人類神經(jīng)元活動的原理，具有自學、聯(lián)想、對比、推理和概括能力 。 這些能力是 HMM 模型不具備的 ， 但 ANN又不具有 HMM 模型的動態(tài)時 間歸正性能。因此 ， 人們嘗試研究基于 HMM 和 ANN 的混合模型，把二者的優(yōu)點有機結合起來，從而提高整個模型的魯棒性，這也是現(xiàn)在研究的一個熱點。 語音識別技術面臨的技術難點及對策 語音識別面臨的主要困難是理論上沒有突破，雖然各種新的修正方法不斷涌現(xiàn)，但其普遍適用性都值得商榷。另外，語音識別系統(tǒng)在商品化的進程中還要解決諸如識別速度、拒識問題以及關鍵詞（句）檢測等具體問題，主要表現(xiàn)在兩個方面：一是對環(huán)境的依賴性強。語音識別系統(tǒng)在某些環(huán)境下采集的語音進行訓練后，必須在相同的環(huán)境下進行識別，否則性能急劇下降， 例如自適應性差，最近凸現(xiàn)出的方言或口音、 畢業(yè)設計（論文）報告紙 共 50 頁 第 8 頁 ┊