你的位置:首頁(yè) > 傳感技術(shù) > 正文

一文了解人機(jī)交互中語(yǔ)音識(shí)別技術(shù)

發(fā)布時(shí)間:2018-03-01 來(lái)源:傳感器技術(shù) 責(zé)任編輯:lina

【導(dǎo)讀】在人際交往中,言語(yǔ)是最自然并且最直接的方式之一。隨著技術(shù)的進(jìn)步,越來(lái)越多的人們也期望計(jì)算機(jī)能夠具備與人進(jìn)行言語(yǔ)溝通的能力,因此,語(yǔ)音識(shí)別這一技術(shù)也越來(lái)越受到關(guān)注。尤其,隨著深度學(xué)習(xí)技術(shù)應(yīng)用在語(yǔ)音識(shí)別技術(shù)中,使得語(yǔ)音識(shí)別的性能得到了顯著提升,也使得語(yǔ)音識(shí)別技術(shù)的普及成為了現(xiàn)實(shí)。

語(yǔ)音識(shí)別技術(shù)
 
 
自動(dòng)語(yǔ)音識(shí)別技術(shù),簡(jiǎn)單來(lái)說(shuō)其實(shí)就是利用計(jì)算機(jī)將語(yǔ)音信號(hào)自動(dòng)轉(zhuǎn)換為文本的一項(xiàng)技術(shù)。這項(xiàng)技術(shù)同時(shí)也是機(jī)器理解人類言語(yǔ)的第一個(gè)也是很重要的一個(gè)過(guò)程。
 
 
語(yǔ)音識(shí)別是一門交叉學(xué)科,所涉及的領(lǐng)域有信號(hào)處理、模式識(shí)別、概率論和信息論、發(fā)聲機(jī)理和聽覺機(jī)理、人工智能等等,甚至還涉及到人的體態(tài)語(yǔ)言(如人民在說(shuō)話時(shí)的表情手勢(shì)等行為動(dòng)作可幫助對(duì)方理解)。其應(yīng)用領(lǐng)域也非常廣,例如相對(duì)于鍵盤輸入方法的語(yǔ)音輸入系統(tǒng)、可用于工業(yè)控制的語(yǔ)音控制系統(tǒng)及服務(wù)領(lǐng)域的智能對(duì)話查詢系統(tǒng),在信息高度化的今天,語(yǔ)音識(shí)別技術(shù)及其應(yīng)用已成為信息社會(huì)不可或缺的重要組成部分。
 
語(yǔ)音識(shí)別技術(shù)的發(fā)展歷史
 
語(yǔ)音識(shí)別技術(shù)的研究開始二十世紀(jì)50年代。1952年,AT&Tbell實(shí)驗(yàn)室的Davis等人成功研制出了世界上第一個(gè)能識(shí)別十個(gè)英文數(shù)字發(fā)音的實(shí)驗(yàn)系統(tǒng):Audry系統(tǒng)。
 
60年代計(jì)算機(jī)的應(yīng)用推動(dòng)了語(yǔ)音識(shí)別技術(shù)的發(fā)展,提出兩大重要研究成果:動(dòng)態(tài)規(guī)劃(Dynamic Planning, DP)和線性預(yù)測(cè)分析(Linear Predict, LP),其中后者較好的解決了語(yǔ)音信號(hào)產(chǎn)生模型的問(wèn)題,對(duì)語(yǔ)音識(shí)別技術(shù)的發(fā)展產(chǎn)生了深遠(yuǎn)影響。
 
70年代,語(yǔ)音識(shí)別領(lǐng)域取得突破性進(jìn)展。線性預(yù)測(cè)編碼技術(shù)(Linear Predict Coding, LPC)被Itakura成功應(yīng)用于語(yǔ)音識(shí)別;Sakoe和Chiba將動(dòng)態(tài)規(guī)劃的思想應(yīng)用到語(yǔ)音識(shí)別并提出動(dòng)態(tài)時(shí)間規(guī)整算法,有效的解決了語(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。在同一時(shí)期,統(tǒng)計(jì)方法開始被用來(lái)解決語(yǔ)音識(shí)別的關(guān)鍵問(wèn)題,這為接下來(lái)的非特定人大詞匯量連續(xù)語(yǔ)音識(shí)別技術(shù)走向成熟奠定了重要的基礎(chǔ)。
 
80年代,連續(xù)語(yǔ)音識(shí)別成為語(yǔ)音識(shí)別的研究重點(diǎn)之一。Meyers和Rabiner研究出多級(jí)動(dòng)態(tài)規(guī)劃語(yǔ)音識(shí)別算法(Level Building,LB)這一連續(xù)語(yǔ)音識(shí)別算法。80年代另一個(gè)重要的發(fā)展是概率統(tǒng)計(jì)方法成為語(yǔ)音識(shí)別研究方法的主流,其顯著特征是HMM模型在語(yǔ)音識(shí)別中的成功應(yīng)用。1988年,美國(guó)卡內(nèi)基-梅隆大學(xué)(CMU)用VQ/HMM方法實(shí)現(xiàn)了997詞的非特定人連續(xù)語(yǔ)音識(shí)別系統(tǒng)SPHINX。在這一時(shí)期,人工神經(jīng)網(wǎng)絡(luò)在語(yǔ)音識(shí)別中也得到成功應(yīng)用。
 
進(jìn)入90年代后,隨著多媒體時(shí)代的來(lái)臨,迫切要求語(yǔ)音識(shí)別系統(tǒng)從實(shí)驗(yàn)走向?qū)嵱茫S多發(fā)達(dá)國(guó)家如美國(guó)、日本、韓國(guó)以及IBM、Apple、AT&T、NTT等著名公司都為語(yǔ)音識(shí)別系統(tǒng)實(shí)用化的開發(fā)研究投以巨資。最具代表性的是IBM的ViaVoice和Dragon公司的Dragon Dectate系統(tǒng)。這些系統(tǒng)具有說(shuō)話人自適應(yīng)能力,新用戶不需要對(duì)全部詞匯進(jìn)行訓(xùn)練便可在使用中不斷提高識(shí)別率。
 
當(dāng)前,美國(guó)在非特定人大詞匯表連續(xù)語(yǔ)音隱馬爾可夫模型識(shí)別方面起主導(dǎo)作用,而日本則在大詞匯表連續(xù)語(yǔ)音神經(jīng)網(wǎng)絡(luò)識(shí)別、模擬人工智能進(jìn)行語(yǔ)音后處理方面處于主導(dǎo)地位。
 
我國(guó)在七十年代末就開始了語(yǔ)音技術(shù)的研究,但在很長(zhǎng)一段時(shí)間內(nèi),都處于緩慢發(fā)展的階段。直到八十年代后期,國(guó)內(nèi)許多單位紛紛投入到這項(xiàng)研究工作中去,其中有中科院聲學(xué)所,自動(dòng)化所,清華大學(xué),四川大學(xué)和西北工業(yè)大學(xué)等科研機(jī)構(gòu)和高等院校,大多數(shù)研究者致力于語(yǔ)音識(shí)別的基礎(chǔ)理論研究工作、模型及算法的研究和改進(jìn)。但由于起步晚、基礎(chǔ)薄弱,計(jì)算機(jī)水平不發(fā)達(dá),導(dǎo)致在整個(gè)八十年代,我國(guó)在語(yǔ)音識(shí)別研究方面并沒有形成自己的特色,更沒有取得顯著的成果和開發(fā)出大型性能優(yōu)良的實(shí)驗(yàn)系統(tǒng)。
 
但進(jìn)入九十年代后,我國(guó)語(yǔ)音識(shí)別研究的步伐就逐漸緊追國(guó)際先進(jìn)水平了,在“八五”、“九五”國(guó)家科技攻關(guān)計(jì)劃、國(guó)家自然科學(xué)基金、國(guó)家863計(jì)劃的支持下,我國(guó)在中文語(yǔ)音技術(shù)的基礎(chǔ)研究方面也取得了一系列成果。
 
在語(yǔ)音合成技術(shù)方面,中國(guó)科大訊飛公司已具有國(guó)際上最領(lǐng)先的核心技術(shù);中科院聲學(xué)所也在長(zhǎng)期積累的基礎(chǔ)上,研究開發(fā)出頗具特色的產(chǎn)品:在語(yǔ)音識(shí)別技術(shù)方面,中科院自動(dòng)化所具有相當(dāng)?shù)募夹g(shù)優(yōu)勢(shì):社科院語(yǔ)言所在漢語(yǔ)言學(xué)及實(shí)驗(yàn)語(yǔ)言科學(xué)方面同樣具有深厚的積累。但是,這些成果并沒有得到很好的應(yīng)用,沒有轉(zhuǎn)化成產(chǎn)業(yè);相反,中文語(yǔ)音技術(shù)在技術(shù)、人才、市場(chǎng)等方面正面臨著來(lái)自國(guó)際競(jìng)爭(zhēng)環(huán)境中越來(lái)越嚴(yán)峻的挑戰(zhàn)和壓力。
 
語(yǔ)音識(shí)別系統(tǒng)的結(jié)構(gòu)
 
主要包括語(yǔ)音信號(hào)的采樣和預(yù)處理部分、特征參數(shù)提取部分、語(yǔ)音識(shí)別核心部分以及語(yǔ)音識(shí)別后處理部分,圖中給出了語(yǔ)音識(shí)別系統(tǒng)的基本結(jié)構(gòu)。
 
 
語(yǔ)音識(shí)別的過(guò)程是一個(gè)模式識(shí)別匹配的過(guò)程。在這個(gè)過(guò)程中,首先要根據(jù)人的語(yǔ)音特點(diǎn)建立語(yǔ)音模型,對(duì)輸入的語(yǔ)音信號(hào)進(jìn)行分析,并抽取所需的特征,在此基礎(chǔ)上建立語(yǔ)音識(shí)別所需的模式。而在識(shí)別過(guò)程中要根據(jù)語(yǔ)音識(shí)別的整體模型,將輸入的語(yǔ)音信號(hào)的特征與已經(jīng)存在的語(yǔ)音模式進(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)的與輸入的語(yǔ)音相匹配的模式。然后,根據(jù)此模式號(hào)的定義,通過(guò)查表就可以給出計(jì)算機(jī)的識(shí)別結(jié)果。
 
語(yǔ)音識(shí)別系統(tǒng)的分類
 
根據(jù)識(shí)別的對(duì)象不同,語(yǔ)音識(shí)別任務(wù)大體可分為三類,即孤立詞識(shí)別(isolated word recognition),關(guān)鍵詞識(shí)別(或稱關(guān)鍵詞檢出,keyword spotting)和連續(xù)語(yǔ)音識(shí)別。
 
孤立詞識(shí)別的任務(wù)是識(shí)別事先已知的孤立的詞,如“開機(jī)”、“關(guān)機(jī)”等;連續(xù)語(yǔ)音識(shí)別的任務(wù)則是識(shí)別任意的連續(xù)語(yǔ)音,如一個(gè)句子或一段話;連續(xù)語(yǔ)音流中的關(guān)鍵詞檢測(cè)針對(duì)的是連續(xù)語(yǔ)音,但它并不識(shí)別全部文字,而只是檢測(cè)已知的若干關(guān)鍵詞在何處出現(xiàn),如在一段話中檢測(cè)“計(jì)算機(jī)”、“世界”這兩個(gè)詞。
 
根據(jù)針對(duì)的發(fā)音人,可以把語(yǔ)音識(shí)別技術(shù)分為特定人語(yǔ)音識(shí)別和非特定人語(yǔ)音識(shí)別,前者只能識(shí)別一個(gè)或幾個(gè)人的語(yǔ)音,而后者則可以被任何人使用。顯然,非特定人語(yǔ)音識(shí)別系統(tǒng)更符合實(shí)際需要,但它要比針對(duì)特定人的識(shí)別困難得多。
 
另外,根據(jù)語(yǔ)音設(shè)備和通道,可以分為桌面(PC)語(yǔ)音識(shí)別、電話語(yǔ)音識(shí)別和嵌入式設(shè)備(手機(jī)、PDA等)語(yǔ)音識(shí)別。不同的采集通道會(huì)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(shí)別系統(tǒng)。
 
目前具有代表性的語(yǔ)音識(shí)別技術(shù)主要有動(dòng)態(tài)時(shí)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(jī)(SVM)等技術(shù)方法。
 
動(dòng)態(tài)時(shí)間規(guī)整算法(DynamicTime Warping,DTW)
 
是在非特定人語(yǔ)音識(shí)別中一種簡(jiǎn)單有效的方法,該算法基于動(dòng)態(tài)規(guī)劃的思想,解決了發(fā)音長(zhǎng)短不一的模板匹配問(wèn)題,是語(yǔ)音識(shí)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(yǔ)音識(shí)別時(shí),就是將已經(jīng)預(yù)處理和分幀過(guò)的語(yǔ)音測(cè)試信號(hào)和參考語(yǔ)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(cè)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(yǔ)音信號(hào)處理中的一種統(tǒng)計(jì)模型,是由Markov鏈演變來(lái)的,所以它是基于參數(shù)模型的統(tǒng)計(jì)識(shí)別方法。由于其模式庫(kù)是通過(guò)反復(fù)訓(xùn)練形成的與訓(xùn)練輸出信號(hào)吻合概率最大的最佳模型參數(shù)而不是預(yù)先儲(chǔ)存好的模式樣本,且其識(shí)別過(guò)程中運(yùn)用待識(shí)別語(yǔ)音序列與HMM參數(shù)之間的似然概率達(dá)到最大值所對(duì)應(yīng)的最佳狀態(tài)序列作為識(shí)別輸出,因此是較理想的語(yǔ)音識(shí)別模型。
 
 
矢量量化(VectorQuantization)
 
是一種重要的信號(hào)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(yǔ)音識(shí)別中。其過(guò)程是將若干個(gè)語(yǔ)音信號(hào)波形或特征參數(shù)的標(biāo)量數(shù)據(jù)組成一個(gè)矢量在多維空間進(jìn)行整體量化。把矢量空間分成若干個(gè)小區(qū)域,每個(gè)小區(qū)域?qū)ふ乙粋€(gè)代表矢量,量化時(shí)落入小區(qū)域的矢量就用這個(gè)代表矢量代替。矢量量化器的設(shè)計(jì)就是從大量信號(hào)樣本中訓(xùn)練出好的碼書,從實(shí)際效果出發(fā)尋找到好的失真測(cè)度定義公式,設(shè)計(jì)出最佳的矢量量化系統(tǒng),用最少的搜索和計(jì)算失真的運(yùn)算量實(shí)現(xiàn)最大可能的平均信噪比。
 
在實(shí)際的應(yīng)用過(guò)程中,人們還研究了多種降低復(fù)雜度的方法,包括無(wú)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(yǔ)音識(shí)別方法。其本質(zhì)上是一個(gè)自適應(yīng)非線性動(dòng)力學(xué)系統(tǒng),模擬了人類神經(jīng)活動(dòng)的原理,具有自適應(yīng)性、并行性、魯棒性、容錯(cuò)性和學(xué)習(xí)特性,其強(qiáng)大的分類能力和輸入—輸出映射能力在語(yǔ)音識(shí)別中都很有吸引力。其方法是模擬人腦思維機(jī)制的工程模型,它與HMM正好相反,其分類決策能力和對(duì)不確定信息的描述能力得到舉世公認(rèn),但它對(duì)動(dòng)態(tài)時(shí)間信號(hào)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(wèn)題,并不涉及時(shí)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(yǔ)音信號(hào)這種時(shí)間序列的動(dòng)態(tài)特性。由于ANN不能很好地描述語(yǔ)音信號(hào)的時(shí)間動(dòng)態(tài)特性,所以常把ANN與傳統(tǒng)識(shí)別方法結(jié)合,分別利用各自優(yōu)點(diǎn)來(lái)進(jìn)行語(yǔ)音識(shí)別而克服HMM和ANN各自的缺點(diǎn)。
 
近年來(lái)結(jié)合神經(jīng)網(wǎng)絡(luò)和隱含馬爾可夫模型的識(shí)別算法研究取得了顯著進(jìn)展,其識(shí)別率已經(jīng)接近隱含馬爾可夫模型的識(shí)別系統(tǒng),進(jìn)一步提高了語(yǔ)音識(shí)別的魯棒性和準(zhǔn)確率。
 
支持向量機(jī)(Supportvector machine)
 
是應(yīng)用統(tǒng)計(jì)學(xué)理論的一種新的學(xué)習(xí)機(jī)模型,采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理(Structural Risk Minimization,SRM),有效克服了傳統(tǒng)經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化方法的缺點(diǎn)。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(shí)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(shí)別領(lǐng)域。
 
語(yǔ)音識(shí)別技術(shù)的難點(diǎn)及對(duì)策
 
語(yǔ)音識(shí)別技術(shù)的發(fā)展,達(dá)不到實(shí)用要求的,主要表現(xiàn)在以下方面 :
 
(1) 自適應(yīng)問(wèn)題 。
 
語(yǔ)音識(shí)別系統(tǒng)的自適應(yīng)性差體現(xiàn)在對(duì)環(huán)境條件的依賴性強(qiáng)。 現(xiàn)有倒譜歸一化技術(shù)、相對(duì)譜(RASTA)技術(shù)、LINLOG RASTA 技術(shù)等自適應(yīng)訓(xùn)練方法。
 
(2)噪聲問(wèn)題。
 
語(yǔ)音識(shí)別系統(tǒng)在噪聲環(huán)境下使用,講話人產(chǎn)生情緒或心里上的變化 ,導(dǎo)致發(fā)音失真、發(fā)音速度和音調(diào)改變 ,產(chǎn)生Lombard/Loud 效應(yīng)。 常用的抑制噪聲的方法有譜減法、環(huán)境規(guī)正技術(shù)、不修正語(yǔ)音信號(hào)而是修正識(shí)別器模型使之適合噪聲、建立噪聲模型。
 
(3)語(yǔ)音識(shí)別基元的選取問(wèn)題 。
 
一般地,欲識(shí)別的詞匯量越多,所用基元應(yīng)越小越好。
 
(4 )端點(diǎn)檢測(cè)。 
 
語(yǔ)音信號(hào)的端點(diǎn)檢測(cè)是語(yǔ)音識(shí)別的關(guān)鍵第一步。研究表明,即使在安靜的環(huán)境下,語(yǔ)音識(shí)別系統(tǒng)一半以上的識(shí)別錯(cuò)誤來(lái)自端點(diǎn)檢測(cè)器。提高端點(diǎn)檢測(cè)技術(shù)的關(guān)鍵在于尋找穩(wěn)定的語(yǔ)音參數(shù) 。
 
(5 )其它如識(shí)別速度問(wèn)題 、拒識(shí)問(wèn)題以及關(guān)鍵詞檢測(cè)技術(shù)(即從連續(xù)語(yǔ)音中去除 “啊”、“唉”的語(yǔ)氣助詞,獲得真正待識(shí)別的語(yǔ)音部分 )、對(duì)用戶的錯(cuò)誤輸入不能正確響應(yīng)等問(wèn)題 。
 
語(yǔ)音識(shí)別的應(yīng)用
 
       
 
語(yǔ)音識(shí)別可以應(yīng)用的領(lǐng)域大致分為大五類:
 
 
辦公室或商務(wù)系統(tǒng)。典型的應(yīng)用包括:填寫數(shù)據(jù)表格、數(shù)據(jù)庫(kù)管理和控制、鍵盤功能增強(qiáng)等等。
 
制造業(yè)。
 
在質(zhì)量控制中,語(yǔ)音識(shí)別系統(tǒng)可以為制造過(guò)程提供一種“不用手”、“不用眼”的檢控(部件檢查)。
 
電信。
 
相當(dāng)廣泛的一類應(yīng)用在撥號(hào)電話系統(tǒng)上都是可行的,包括話務(wù)員協(xié)助服務(wù)的自動(dòng)化、國(guó)際國(guó)內(nèi)遠(yuǎn)程電子商務(wù)、語(yǔ)音呼叫分配、語(yǔ)音撥號(hào)、分類訂貨。
 
醫(yī)療。
 
這方面的主要應(yīng)用是由聲音來(lái)生成和編輯專業(yè)的醫(yī)療報(bào)告。
 
其他。
 
包括由語(yǔ)音控制和操作的游戲和玩具、幫助殘疾人的語(yǔ)音識(shí)別系統(tǒng)、車輛行駛中一些非關(guān)鍵功能的語(yǔ)音控制,如車載交通路況控制系統(tǒng)、音響系統(tǒng)。
 
隨著移動(dòng)互聯(lián)網(wǎng)技術(shù)的不斷發(fā)展,尤其是移動(dòng)終端的小型化、多樣化變化趨勢(shì),語(yǔ)音識(shí)別成為區(qū)別于鍵盤、觸屏的人機(jī)交互手段之一。隨著語(yǔ)音識(shí)別算法模型、自適應(yīng)性的加強(qiáng),相信在未來(lái)很長(zhǎng)一段時(shí)間內(nèi),語(yǔ)音識(shí)別系統(tǒng)的應(yīng)用將更加廣泛與深入,更多豐富的移動(dòng)終端語(yǔ)音識(shí)別產(chǎn)品將步入人們的日常生活。


推薦閱讀:
如何克服功率計(jì)等測(cè)量?jī)x器測(cè)試的不穩(wěn)定?
如何準(zhǔn)確識(shí)別未知多節(jié)點(diǎn)CAN總線網(wǎng)絡(luò)?
全面概括汽車傳感器知識(shí)
靈感來(lái)源于電鰻的柔性電池:未來(lái)或許能為起搏器供電
VR并沒有沒落 去年它在這些方面改變了世界

要采購(gòu)鍵盤么,點(diǎn)這里了解一下價(jià)格!
特別推薦
技術(shù)文章更多>>
技術(shù)白皮書下載更多>>
熱門搜索
?

關(guān)閉

?

關(guān)閉