國內外語音識別技術發(fā)展現(xiàn)狀探討

　　這一時期，語音識別研究進一步走向深入，其顯著特征是HMM模型和人工神經(jīng)元網(wǎng)絡(ANN)在語音識別中的成功應用。HMM模型的廣泛應用應歸功于AT&TBell實驗室Rabiner等科學家的努力，他們把原本艱澀的HMM純數(shù)學模型工程化，從而為更多研究者了解和認識，從而使統(tǒng)計方法成為了語音識別技術的主流。

　　統(tǒng)計方法將研究者的視線從微觀轉向宏觀，不再刻意追求語音特征的細化，而是更多地從整體平均(統(tǒng)計)的角度來建立最佳的語音識別系統(tǒng)。在聲學模型方面，以Markov鏈為基礎的語音序列建模方法HMM(隱式Markov鏈)比較有效地解決了語音信號短時穩(wěn)定、長時時變的特性，并且能根據(jù)一些基本建模單元構造成連續(xù)語音的句子模型，達到了比較高的建模精度和建模靈活性。在語言層面上，通過統(tǒng)計真實大規(guī)模語料的詞之間同現(xiàn)概率即N元統(tǒng)計模型來區(qū)分識別帶來的模糊音和同音詞。另外，人工神經(jīng)網(wǎng)絡方法、基于文法規(guī)則的語言處理機制等也在語音識別中得到了應用。

　　20世紀90年代前期，許多著名的大公司如IBM、蘋果、AT&T和NTT都對語音識別系統(tǒng)的實用化研究投以巨資。語音識別技術有一個很好的評估機制，那就是識別的準確率，而這項指標在20世紀90年代中后期實驗室研究中得到了不斷的提高。比較有代表性的系統(tǒng)有：IBM公司推出的ViaVoice和DragonSystem公司的NaturallySpeaking，Nuance公司的NuanceVoicePlatform語音平臺，Microsoft的Whisper，Sun的VoiceTone等。

　　其中IBM公司于1997年開發(fā)出漢語ViaVoice語音識別系統(tǒng)，次年又開發(fā)出可以識別上海話、廣東話和四川話等地方口音的語音識別系統(tǒng)ViaVoice‘98。它帶有一個32，000詞的基本詞匯表，可以擴展到65，000詞，還包括辦公常用詞條，具有“糾錯機制”，其平均識別率可以達到95%。該系統(tǒng)對新聞語音識別具有較高的精度，是目前具有代表性的漢語連續(xù)語音識別系統(tǒng)。

　　四：語音識別技術發(fā)展現(xiàn)狀-國內研究

　　我國語音識別研究工作起步于五十年代，但近年來發(fā)展很快。研究水平也從實驗室逐步走向實用。從1987年開始執(zhí)行國家863計劃后，國家863智能計算機專家組為語音識別技術研究專門立項，每兩年滾動一次。我國語音識別技術的研究水平已經(jīng)基本上與國外同步，在漢語語音識別技術上還有自己的特點與優(yōu)勢，并達到國際先進水平。中科院自動化所、聲學所、清華大學、北京大學、哈爾濱工業(yè)大學、上海交通大學、中國科技大學、北京郵電大學、華中科技大學等科研機構都有實驗室進行過語音識別方面的研究，其中具有代表性的研究單位為清華大學電子工程系與中科院自動化研究所模式識別國家重點實驗室。

　　清華大學電子工程系語音技術與專用芯片設計課題組，研發(fā)的非特定人漢語數(shù)碼串連續(xù)語音識別系統(tǒng)的識別精度，達到94.8%(不定長數(shù)字串)和96.8%(定長數(shù)字串)。在有5%的拒識率情況下，系統(tǒng)識別率可以達到96.9%(不定長數(shù)字串)和98.7%(定長數(shù)字串)，這是目前國際最好的識別結果之一，其性能已經(jīng)接近實用水平。研發(fā)的5000詞郵包校核非特定人連續(xù)語音識別系統(tǒng)的識別率達到98.73%，前三選識別率達99.96%;并且可以識別普通話與四川話兩種語言，達到實用要求。

　　中科院自動化所及其所屬模式科技(Pattek)公司2002年發(fā)布了他們共同推出的面向不同計算平臺和應用的“天語”中文語音系列產品——PattekASR，結束了中文語音識別產品自1998年以來一直由國外公司壟斷的歷史。

　　五：語音識別技術發(fā)展現(xiàn)狀-當前亟待解決的問題

　　語音識別系統(tǒng)的性能受到許多因素的影響，包括不同說話人的發(fā)音方式、說話方式、環(huán)境噪音、傳輸信道衰落等等。

　　具體要解決的問題有四點：

　　①增強系統(tǒng)的魯棒性，也就是說如果條件狀況變得與訓練時很不相同，系統(tǒng)的性能下降不能是突變的。

　?、谠黾酉到y(tǒng)的適應能力，系統(tǒng)要能穩(wěn)定連續(xù)的適應條件的變化，因為說話人存在著年齡、性別、口音、語速、語音強度、發(fā)音習慣等方面的差異。所以，系統(tǒng)應該有能力排除掉這些差異。達到對語音的穩(wěn)定識別。

　?、蹖で蟾玫恼Z言模型，系統(tǒng)應該在語言模型中得到盡可能多的約束，從而解決由于詞匯量增長所帶來的影響。

　?、苓M行動力學建模，語音識別系統(tǒng)提前假定片段和單詞是相互獨立的，但實際上詞匯和音素的線索要求對反映了發(fā)聲器官運動模型特點的整合。所以，應該進行動力學建模，從而將這些信息整合到語音識別系統(tǒng)中去。

　　六：語音識別技術發(fā)展現(xiàn)狀-語音識別系統(tǒng)的最新發(fā)展

　　語音識別技術發(fā)展到今天，特別是中小詞匯量非特定人語音識別系統(tǒng)識別精度已經(jīng)大于98%，對特定人語音識別系統(tǒng)的識別精度就更高。這些技術已經(jīng)能夠滿足通常應用的要求。由于大規(guī)模集成電路技術的發(fā)展，這些復雜的語音識別系統(tǒng)已經(jīng)完全可以制成專用芯片，大量生產。在西方經(jīng)濟發(fā)達國家，大量的語音識別產品已經(jīng)進入市場和服務領域。一些用戶交換機、電話機、手機已經(jīng)包含了語音識別撥號功能、語音記事本、語音智能玩具等產品，同時也包括語音識別與語音合成功能。人們可以通過電話網(wǎng)絡用語音識別口語對話系統(tǒng)查詢有關的機票、旅游、銀行信息。調查統(tǒng)計表明，多達85%以上的人對語音識別的信息查詢服務系統(tǒng)的性能表示滿意。可以預測，在近5年內，語音識別系統(tǒng)的應用將更加廣泛，各種各樣的語音識別系統(tǒng)產品將不斷出現(xiàn)在市場上。語音識別技術在人工郵件分揀中的作用也日益顯現(xiàn)，發(fā)展前景誘人。一些發(fā)達國家的郵政部門已經(jīng)使用了這一系統(tǒng)，語音識別技術逐漸成為郵件分揀的新技術。它可以克服手工分揀單純依靠分揀員記憶力的不足，解決人員成本過高的問題，提高郵件處理的效率和效益。就教育領域來講，語音識別技術的最直接的應用就是幫助用戶更好地練習語言技巧。

　　語音識別技術的另一個發(fā)展分支就是電話語音識別技術的發(fā)展，貝爾實驗室是這方面的先驅，電話語音識別技術將能夠實現(xiàn)電話查詢、自動接線以及一些專門業(yè)務如旅游信息等的操作。銀行應用了語音理解技術的聲訊查詢系統(tǒng)后，可不分晝夜地為客戶提供二十四小時的電話銀行理財服務。而證券業(yè)方面，若是采用電話語音識別聲訊系統(tǒng)的話，用戶想查詢行情便可以直接講出股票名稱或代碼，而系統(tǒng)確認用戶的要求后，會自動讀出最新的股票價，這將大大方便用戶。目前在114查號臺還有大量的人工服務，如果采用語音技術，就可讓計算機自動接聽用戶的需要，然后回放查詢的電話號碼，從而節(jié)約了人力資源。