語(yǔ)音識(shí)別預(yù)處理過(guò)程及其存在問(wèn)題

付學(xué)桐

摘 要 隨著人工智能和網(wǎng)絡(luò)自動(dòng)化工程的不斷發(fā)展，人機(jī)交互模型發(fā)生了天翻地覆的變化，傳統(tǒng)的文字交互模式已被各種新型交互技術(shù)所取代，其中語(yǔ)音識(shí)別就是最為典型高效的一種。語(yǔ)音識(shí)別可以有效地將人類語(yǔ)音轉(zhuǎn)化為文字并識(shí)別，目前已廣泛地應(yīng)用于文字輸入等多個(gè)領(lǐng)域，在語(yǔ)音識(shí)別的整個(gè)流程中，預(yù)處理階段決定了其識(shí)別成功率和效率。文章從語(yǔ)音識(shí)別的過(guò)程講起，詳細(xì)分析了語(yǔ)音識(shí)別預(yù)處理過(guò)程，并對(duì)其未來(lái)發(fā)展進(jìn)行了展望。

關(guān)鍵詞 語(yǔ)音識(shí)別；預(yù)處理；端點(diǎn)檢測(cè)；采樣定理

中圖分類號(hào) G2 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1674-6708（2019）233-0135-02

隨著當(dāng)今人工智能的迅速發(fā)展，語(yǔ)音識(shí)別技術(shù)取得了較大的突破，在商業(yè)、軍事、民用等方面語(yǔ)音識(shí)別都得到了廣泛的運(yùn)用。目前國(guó)內(nèi)外已有許多對(duì)語(yǔ)音識(shí)別領(lǐng)域的研究和產(chǎn)品，如蘋果手機(jī)的Siri，微軟的Cortana，百度的智能音箱，科大訊飛的訊飛語(yǔ)音輸入等產(chǎn)品。語(yǔ)音識(shí)別之所以得到空前重視，從根本上說(shuō)，也就是源于語(yǔ)音識(shí)別所帶來(lái)的簡(jiǎn)便性。在人工智能中，尤其重要的一點(diǎn)就是要讓機(jī)器人知道人類要做什么，所以務(wù)必要將人的指令轉(zhuǎn)化為計(jì)算機(jī)可以識(shí)別的代碼數(shù)字，常見(jiàn)的方式有圖像、動(dòng)作、語(yǔ)音轉(zhuǎn)換等。而語(yǔ)言就是最直接最簡(jiǎn)單的轉(zhuǎn)換方式，但在其識(shí)別系統(tǒng)中，一般要將其在理想環(huán)境下訓(xùn)練成運(yùn)用于復(fù)雜含噪環(huán)境中的語(yǔ)音識(shí)別系統(tǒng)。語(yǔ)音識(shí)別預(yù)處理過(guò)程是整個(gè)語(yǔ)音識(shí)別處理過(guò)程的前端環(huán)節(jié)，負(fù)責(zé)將復(fù)雜無(wú)規(guī)律的語(yǔ)音信號(hào)轉(zhuǎn)化為可供計(jì)算機(jī)識(shí)別的數(shù)字信息，對(duì)提高語(yǔ)音識(shí)別效率和成功率起著決定性作用。

1 語(yǔ)音識(shí)別技術(shù)概述

語(yǔ)音識(shí)別屬于新興技術(shù)，目前尚未有一種嚴(yán)格規(guī)范化的定義，通常被認(rèn)為是一種將人類語(yǔ)音信息通過(guò)軟硬件轉(zhuǎn)化為文本信息的計(jì)算機(jī)技術(shù)，由于其的特殊屬性，也有科學(xué)家將其歸類為自動(dòng)化技術(shù)。語(yǔ)音識(shí)別的技術(shù)體系復(fù)雜，主要包括基礎(chǔ)的發(fā)聲機(jī)理、聲波傳播、信號(hào)學(xué)，高級(jí)的模式識(shí)別和人工智能理論，數(shù)學(xué)上的概率論和數(shù)理統(tǒng)計(jì)也有所涉及。語(yǔ)音識(shí)別的整個(gè)過(guò)程基本可以歸納成以下的步驟：輸入—接收語(yǔ)音—預(yù)處理—特征提取—對(duì)比—翻譯—輸出。

簡(jiǎn)單地說(shuō)語(yǔ)音識(shí)別第一步就是將接受到的語(yǔ)音信息進(jìn)行一定的處理，將其切成一小段一小段的語(yǔ)音片段，再通過(guò)波形轉(zhuǎn)換，將每一小段語(yǔ)音變成一個(gè)多維向量，再將其向量與自身數(shù)據(jù)庫(kù)中的進(jìn)行對(duì)比，選出概念大的向量，轉(zhuǎn)化成數(shù)據(jù)庫(kù)中所對(duì)應(yīng)的狀態(tài)號(hào)，最終將各個(gè)詞匯拼接從而得到語(yǔ)音識(shí)別的結(jié)果。在特征提取之前，有一項(xiàng)極為重要的流程——預(yù)處理。預(yù)處理是語(yǔ)音識(shí)別過(guò)程的前端，所以也叫做前端處理，其目的是通過(guò)對(duì)原始語(yǔ)音信號(hào)的處理，使其更好地被轉(zhuǎn)化為特定的數(shù)字量，以便進(jìn)行特征識(shí)別，提高語(yǔ)音識(shí)別的成功率和效率。如果語(yǔ)音識(shí)別中不做前端處理，則計(jì)算機(jī)就無(wú)法判斷該音頻從何開(kāi)始，又從何結(jié)束，同時(shí)大量的噪音也大大降低的音頻的準(zhǔn)確度。所以即使系統(tǒng)已收集可以比對(duì)的大量數(shù)據(jù)，可接收的語(yǔ)言無(wú)法轉(zhuǎn)化正確的狀態(tài)號(hào)，一切都無(wú)法達(dá)到相應(yīng)的指令。可以說(shuō)語(yǔ)音識(shí)別的預(yù)處理就相當(dāng)于系統(tǒng)的眼睛，所以預(yù)處理在整個(gè)過(guò)程中極其重要[ 1 ]。

2 預(yù)處理方法及其技術(shù)

預(yù)處理的常用方法有端點(diǎn)檢測(cè)、聲道轉(zhuǎn)換、預(yù)加重、去加重、分帖、加窗、重采樣等，不同的語(yǔ)音識(shí)別在預(yù)處理順序上有一定差別。

2.1 端點(diǎn)檢測(cè)

對(duì)語(yǔ)音信號(hào)進(jìn)行時(shí)域分析，可以明顯地辨別出原始語(yǔ)音信息包含有聲段、無(wú)聲段和濁音段，端點(diǎn)檢測(cè)則是通過(guò)區(qū)分以上不同段的信號(hào)來(lái)達(dá)到區(qū)劃語(yǔ)音的開(kāi)頭與結(jié)尾，端點(diǎn)檢測(cè)的唯一目的就是找到語(yǔ)音信號(hào)的起始點(diǎn)與結(jié)束點(diǎn)。端點(diǎn)檢測(cè)最常用的方法就是雙門眼檢測(cè)法。雙門眼檢測(cè)法是通過(guò)計(jì)算門限能量的方式來(lái)判斷語(yǔ)音端點(diǎn)的技術(shù)，一般會(huì)在語(yǔ)音識(shí)別之前設(shè)置雙門的門限λ，然后分別計(jì)算每個(gè)時(shí)刻的語(yǔ)音能量，若該能量大于門限閾值，則新生成門限序列為1，反之則為0，從而得到門限序列后，將其點(diǎn)乘原始語(yǔ)音序列，得到有效語(yǔ)音序列。語(yǔ)音能量的計(jì)算公式為：

2.2 預(yù)加重與去加重

在實(shí)際應(yīng)用過(guò)程中，語(yǔ)音信息往往夾雜著環(huán)境中的各種其他聲音信息，由于人類發(fā)音的特性，語(yǔ)音信息經(jīng)過(guò)頻率轉(zhuǎn)換后往往大部分集中于低頻帶，從而使得低頻能量過(guò)大，高頻能量過(guò)低，計(jì)算機(jī)難以有效提取高頻語(yǔ)音信息。為了抵消掉這種情況，預(yù)處理階段使用預(yù)加重技術(shù)，在語(yǔ)音信息的處理階段預(yù)先添加與原始語(yǔ)音高頻信號(hào)，通過(guò)疊加之后，原始語(yǔ)音信息在高頻和低頻段的能量相當(dāng)，使得識(shí)別效率明顯提升。而在語(yǔ)音識(shí)別系統(tǒng)的輸出端，則需要做相反的處理，也就是去加重，采用相反的負(fù)能量信號(hào)將添加的高頻成分去掉，從而還原原來(lái)的信號(hào)分布，有效提高聲音信號(hào)的信噪比[2]。

2.3 分幀與加窗

分幀從簡(jiǎn)單來(lái)說(shuō)，一段信號(hào)整體是不穩(wěn)定的，但從局部來(lái)看，信號(hào)是穩(wěn)定的，所以要想接收端接收平穩(wěn)的信號(hào)，就需對(duì)整段語(yǔ)音進(jìn)行分幀，也就是切成幾段。但是需要注意的是，根據(jù)香農(nóng)定理（Shannons Theorem），分幀越多地聲音片段，其開(kāi)始段和結(jié)束段會(huì)存在聲音不連續(xù)的現(xiàn)象，導(dǎo)致了分幀的幀長(zhǎng)越短，信號(hào)的誤差就越大。為了解決此問(wèn)題，語(yǔ)言學(xué)家提出了利用帶通濾波器來(lái)過(guò)濾的方法，也就是加窗。常見(jiàn)的三種窗函數(shù)是矩形窗、漢明窗和漢寧窗，其數(shù)學(xué)公式如下。

實(shí)際系統(tǒng)中，語(yǔ)音信號(hào)處理一般加漢明窗，就可以滿足絕大多數(shù)種語(yǔ)音情況。語(yǔ)音識(shí)別的加窗類型受到許多因素的影響，包括不同說(shuō)話人的發(fā)音方式、說(shuō)話方式、環(huán)境噪音、傳輸信道衰落等，實(shí)際應(yīng)用時(shí)需要根據(jù)不同的情況選擇窗。

2.4 重采樣

根據(jù)信號(hào)學(xué)中的奈奎斯特采樣定理（Nyquists Theorem），再信號(hào)采集時(shí)，如果采樣頻率滿足采樣頻率大于2倍最高頻率時(shí)，經(jīng)過(guò)采樣后的信息可以原本保持的所有特征信息。根據(jù)這一定理，語(yǔ)音識(shí)別系統(tǒng)中通常采用重采樣技術(shù)，也就是限定采樣器的采樣頻率為最高頻率的5～8倍。根據(jù)人類語(yǔ)音信號(hào)50Hz～6kHz的頻率范圍，可以得出重采樣器的采樣頻率為約16kHz左右，重采樣可以保證語(yǔ)音中的所有信息均被送至特征識(shí)別環(huán)節(jié)中[ 3 ]。

3 語(yǔ)音識(shí)別預(yù)處理缺陷及其解決方案

語(yǔ)音識(shí)別的局限性主要在語(yǔ)音源的多樣性，據(jù)相關(guān)資料顯示，全世界當(dāng)前一共有超過(guò)1 000種語(yǔ)言，而其中常規(guī)語(yǔ)言也就多達(dá)數(shù)十種，語(yǔ)言識(shí)別對(duì)于各種語(yǔ)言的適配是一項(xiàng)長(zhǎng)期的過(guò)程。同時(shí)，類似于中文中的四川話、廣東話、上海話，各種大型語(yǔ)言中都有其特定的方言，且使用頻次很高，這些方言在語(yǔ)言詞匯和字符發(fā)音上都和傳統(tǒng)的語(yǔ)言不同，訓(xùn)練語(yǔ)音識(shí)別系統(tǒng)適配方言也是亟待解決的問(wèn)題。當(dāng)語(yǔ)音信號(hào)在傳播過(guò)程中有所衰減，為了在保留細(xì)節(jié)的情況下還原聲波，人為可以利用前置聲音放大器的方式解決。在回聲消除和空間降噪方面，筆者認(rèn)為可以利用多麥克風(fēng)采樣技術(shù)作為解決方案。區(qū)別于一般的單一麥克風(fēng)采集技術(shù)，多麥克風(fēng)技術(shù)搭配多通道采樣技術(shù)，分別將人聲的高、中、低頻波段分別采集，同時(shí)將不同時(shí)間到達(dá)的聲音區(qū)分開(kāi)來(lái)，在已知噪聲特性的情況下，可以有效降噪，提高人聲的辨識(shí)度[ 4 ]。

當(dāng)前語(yǔ)音識(shí)別的發(fā)展問(wèn)題主要存在于兩種：一是反復(fù)說(shuō)話識(shí)別，頓挫識(shí)別。往往生活中由于某些人的語(yǔ)言習(xí)慣，可能會(huì)出現(xiàn)反復(fù)出現(xiàn)某個(gè)詞語(yǔ)，或說(shuō)話結(jié)結(jié)巴巴。針對(duì)這一問(wèn)題，就要加強(qiáng)端點(diǎn)檢測(cè)的端點(diǎn)的選取，正確選取語(yǔ)音的頭尾，去除話語(yǔ)中間隔的空隙，使一段斷斷續(xù)續(xù)的話變成一段聯(lián)結(jié)的話。同時(shí)在處理中，可對(duì)某些重復(fù)出現(xiàn)的詞語(yǔ)進(jìn)行適當(dāng)?shù)膭h減，增加識(shí)別的速率。二是自然語(yǔ)言處理和字典的擴(kuò)充。由于語(yǔ)音識(shí)別運(yùn)用時(shí)的外界環(huán)境的復(fù)雜性，可能會(huì)出現(xiàn)方言，別的語(yǔ)種類型的語(yǔ)言。而解決的首要之舉就是增加數(shù)據(jù)庫(kù)中的數(shù)據(jù)，從而擴(kuò)充字典，達(dá)到有效的預(yù)處理[5]。

參考文獻(xiàn)

[1]陳慧，芮賢義.基于VC++的汽車語(yǔ)音駕駛助手的設(shè)計(jì)與實(shí)現(xiàn)[J].電聲技術(shù)，2016，40（8）：36-39.

[2]鐘浩，鮑鴻，張晶.一種改進(jìn)的語(yǔ)音動(dòng)態(tài)組合特征參數(shù)提取方法[J].電腦與信息技術(shù)，2017，25（3）：4-7.

[3]陸振宇，何玨杉，趙為漢.關(guān)于多通道語(yǔ)音去噪的識(shí)別優(yōu)化研究[J].計(jì)算機(jī)仿真，2016，33（6）：315-320.

[4]胡郁.人工智能與語(yǔ)音識(shí)別技術(shù)[J].電子產(chǎn)品世界，2016，23（4）：23-25.

[5]張曉丹，黃麗霞，張雪英.關(guān)于在噪聲環(huán)境下語(yǔ)音識(shí)別優(yōu)化研究[J].計(jì)算機(jī)仿真，2016，33（8）：172-176.