語音識別技術(shù)的發(fā)展

【摘 要】語音識別技術(shù)研究讓人更加方便地享受到更多的社會信息資源和現(xiàn)代化服務(wù)，對任何事都能夠通過語音交互的方式。

【關(guān)鍵詞】語音識別技術(shù)；發(fā)展趨勢

語音識別是一門交叉學(xué)科。語音識別研究經(jīng)歷了50多年的研究歷程，經(jīng)過50多年的積累研究，獲得了巨大的進(jìn)展。特別是近20年來，語音識別技術(shù)取得了顯著的進(jìn)步，并逐步的走向市場。在未來的日子里，語音識別技術(shù)將應(yīng)用更為廣泛。

一、語音識別技術(shù)概述

語音識別是解決機(jī)器“聽懂”人類語言的一項技術(shù)。作為智能計算機(jī)研究的主導(dǎo)方向和人機(jī)語音通信的關(guān)鍵技術(shù)，語音識別技術(shù)一直受到各國科學(xué)界的廣泛關(guān)注。如今，隨著語音識別技術(shù)研究的突破，其對計算機(jī)發(fā)展和社會生活的重要性日益凸現(xiàn)出來。以語音識別技術(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、語音通信系統(tǒng)等，幾乎深入到社會的每個行業(yè)和每個方面。

廣泛意義上的語音識別按照任務(wù)的不同可以分為4個方向：說話人識別、關(guān)鍵詞檢出、語言辨識和語音識別。說話人識別技術(shù)是以話音對說話人進(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合，只關(guān)注那些包含特定詞的句子，例如對一些特殊人名、地名的電話監(jiān)聽等。語言辨識技術(shù)是通過分析處理一個語音片斷以判別其所屬語言種類的技術(shù)，本質(zhì)上也是語音識別技術(shù)的一個方面。語音識別就是通常人們所說的以說話的內(nèi)容作為識別對象的技術(shù)，它是4個方面中最重要和研究最廣泛的一個方向，也是本文討論的主要內(nèi)容。

二、語音識別的研究歷史

語音識別的研究工作始于20世紀(jì)50年代，1952年Bell實(shí)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，Rorgie和Forge采用數(shù)字計算機(jī)識別英文元音和孤立詞，從此開始了計算機(jī)語音識別。

60年代，蘇聯(lián)的Matin等提出了語音結(jié)束點(diǎn)的端點(diǎn)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(yù)測編碼（LPC）技術(shù)和動態(tài)時間規(guī)整（DTW）技術(shù)，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(jìn)一步走向深入：HMM模型和人工神經(jīng)網(wǎng)絡(luò)（ANN）在語音識別中成功應(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(jìn)入90年代后，語音識別技術(shù)進(jìn)一步成熟，并開始向市場提供產(chǎn)品。許多發(fā)達(dá)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(shí)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(dāng)高的漢語語音識別水平。

進(jìn)入21世紀(jì)，隨著消費(fèi)類電子產(chǎn)品的普及，嵌入式語音處理技術(shù)發(fā)展迅速[2]?；谡Z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(yīng)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)。

三、語音識別技術(shù)的發(fā)展現(xiàn)狀

語音識別技術(shù)通過全球科學(xué)家的共同努力，經(jīng)歷半個多世紀(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)驗室環(huán)境下，大詞匯量的朗讀式連續(xù)說話的寬帶語音信號的平均識別率可以達(dá)到90%以上。正式有了如此高的識別率之后，語音識別技術(shù)慢慢地從實(shí)驗室演示系統(tǒng)逐步走向?qū)嵱没唐?。以IBM Via Voice和Dragon Dictation為代表的兩個聽寫機(jī)系統(tǒng)的出現(xiàn)，使“語音識別”逐步進(jìn)入大眾視線，引起了廣泛的社會關(guān)注。

由于校對和更正識別的錯誤很麻煩和浪費(fèi)時間，這樣便降低語音識別的優(yōu)勢。同時，由于使用的環(huán)境或講話口音習(xí)慣等因素的影響，語音識別的內(nèi)容大大降低，識別的內(nèi)容不能達(dá)到100%的正確，所以很多人認(rèn)為目前的語音識別系統(tǒng)還無法滿足實(shí)用要求。

目前，ATT和MIT等將語音識別技術(shù)應(yīng)用在一些有限詞匯的特定任務(wù)上，如電話自動轉(zhuǎn)接、電話查詢、數(shù)字串識別的任務(wù)中，當(dāng)講話的內(nèi)容是系統(tǒng)所存儲的內(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，語音識別的正確識別率可以接近100%。但是，在實(shí)際使用中如果這些條件被破壞，則會對識別系統(tǒng)造成一定的影響。

我國的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(xué)所以及清華大學(xué)等科研機(jī)構(gòu)和高校都在從事語音識別領(lǐng)域的研究和開發(fā)。國家863智能計算機(jī)專家組為語音識別技術(shù)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(jī)對話系統(tǒng)，其準(zhǔn)確率和系統(tǒng)響應(yīng)率均可達(dá)90%以上。

四、語音識別技術(shù)發(fā)展趨勢

語音作為當(dāng)前通信系統(tǒng)中最自然的通信媒介，語音識別技術(shù)是非常重要的人機(jī)交互技術(shù)。隨著計算機(jī)和語音處理技術(shù)的發(fā)展，語音識別系統(tǒng)的實(shí)用性將進(jìn)一步提高。應(yīng)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)品的應(yīng)用，如聲控?fù)芴栯娫挕⒄Z音記事本等，基于特定任務(wù)和環(huán)境的聽寫機(jī)也已經(jīng)進(jìn)入應(yīng)用階段。這預(yù)示著語音識別技術(shù)有著非常廣泛的應(yīng)用領(lǐng)域和市場前景。隨著語音技術(shù)的進(jìn)步和通信技術(shù)的飛速發(fā)展，語音識別技術(shù)將為網(wǎng)上會議、商業(yè)管理、醫(yī)藥衛(wèi)生、教育培訓(xùn)等各個領(lǐng)域帶來極大的便利，其應(yīng)用和經(jīng)濟(jì)、社會效益前景非常良好.

雖然語音識別在過去的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方面：

1.提高可靠性。語音識別技術(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，人的意識會有意識的排除非需要的聲學(xué)環(huán)境因素，這對語音識別系統(tǒng)而言，是很難做到的。另外，在日常生活中，人類的語言常常具有較大的不確定性，比較隨意，并帶有明顯的言語習(xí)慣。這同樣會給語音識別系統(tǒng)很大的識別麻煩。目前，在提高語音系統(tǒng)在不同環(huán)境中的可靠性，同時要應(yīng)用現(xiàn)代技術(shù)讓語音識別系統(tǒng)更加智能化，掌握人們語言隨意性的部分規(guī)律，以達(dá)到最佳的識別效果。

2.增加詞匯量。系統(tǒng)可以識別的詞匯的數(shù)量是系統(tǒng)能夠做什么事情的一個重要度量。一個語音識別系統(tǒng)使用的聲學(xué)模型和語音模型如果太過于局限，當(dāng)用戶所講的詞匯超出系統(tǒng)已知的范圍時，則語音識別系統(tǒng)不能準(zhǔn)確的識別出相應(yīng)的內(nèi)容，比如，當(dāng)突然從中文轉(zhuǎn)為英文、法文、俄文時，計算機(jī)就會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，未來的語音識別系統(tǒng)可能會做到詞匯量無限制和多種語言混合，這樣用戶在使用的時候可以不必在語種之間來回切換，這樣就能大大減少詞匯量的對語音識別系統(tǒng)的限制。

3.應(yīng)用拓展。語音識別技術(shù)可以用于把費(fèi)腦、費(fèi)力、費(fèi)時的機(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術(shù)的場景時，通過語音識別系統(tǒng)的模型構(gòu)造，則能夠在象駕駛室、危險的工業(yè)場合、遠(yuǎn)距離信息獲取、家電控制等各個方面，語音識別技術(shù)可能帶動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，更重要的會帶來生產(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。微型化是語音識別技術(shù)商業(yè)應(yīng)用的另一個重要途徑，其推廣程這取決于語音識別技術(shù)本身進(jìn)步的程度，同時與微電子芯片技術(shù)的進(jìn)一步發(fā)展關(guān)系密切。將具有先進(jìn)功能和性能的語音識別應(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，語音識別系統(tǒng)和微電子芯片技術(shù)的發(fā)展是會引領(lǐng)我們的信息技術(shù)革命到一個新的臺階。

21世紀(jì)是信息和網(wǎng)絡(luò)的時代，Internet和移動通信、固話通信的網(wǎng)絡(luò)把全球各地連接起來。自然口語對話、電子商務(wù)、信息索取、數(shù)字圖書館、語音翻譯、遠(yuǎn)程教育等一系列的人類活動都可在網(wǎng)絡(luò)上實(shí)現(xiàn)。語音識別系統(tǒng)的出現(xiàn)，會讓人更加自由的溝通，讓人在任何地方，任何時間，對任何事都能夠通過語音交互的方式，方便地享受到更多的社會信息資源和現(xiàn)代化服務(wù)。這必然會成為語音識別技術(shù)研究和應(yīng)用的重要發(fā)展趨勢。