語(yǔ)音識(shí)別技術(shù)的研究與發(fā)展

(2)特征提取模塊：負(fù)責(zé)計(jì)算語(yǔ)音的聲學(xué)參數(shù)，并進(jìn)行特征的計(jì)算，以便提取出反映信號(hào)特征的關(guān)鍵特征參數(shù)用于后續(xù)處理。現(xiàn)在較常用的特征參數(shù)有線性預(yù)測(cè)（LPC)參數(shù)、線譜對(duì)（LSP)參數(shù)、LPCC、MFCC、ASCC、感覺(jué)加權(quán)的線性預(yù)測(cè)（PLP)參數(shù)、動(dòng)態(tài)差分參數(shù)和高階信號(hào)譜類(lèi)特征等[1]。其中，Mel頻率倒譜系數(shù)（MFCC)參數(shù)因其良好的抗噪性和魯棒性而應(yīng)用廣泛。

(3)訓(xùn)練階段：用戶輸入若干次訓(xùn)練語(yǔ)音，經(jīng)過(guò)預(yù)處理和特征提取后得到特征矢量參數(shù)，建立或修改訓(xùn)練語(yǔ)音的參考模式庫(kù)。

(4)識(shí)別階段：將輸入的語(yǔ)音提取特征矢量參數(shù)后與參考模式庫(kù)中的模式進(jìn)行相似性度量比較，并結(jié)合一定的判別規(guī)則和專(zhuān)家知識(shí)（如構(gòu)詞規(guī)則，語(yǔ)法規(guī)則等)得出最終的識(shí)別結(jié)果。

4 語(yǔ)音識(shí)別的幾種基本方法

當(dāng)今語(yǔ)音識(shí)別技術(shù)的主流算法，主要有基于動(dòng)態(tài)時(shí)間規(guī)整(DTW)算法、基于非參數(shù)模型的矢量量化(VQ)方法、基于參數(shù)模型的隱馬爾可夫模型(HMM)的方法、基于人工神經(jīng)網(wǎng)絡(luò)(ANN)和支持向量機(jī)等語(yǔ)音識(shí)別方法。

4.1 動(dòng)態(tài)時(shí)間規(guī)整(DTW)

DTW是把時(shí)間規(guī)整和距離測(cè)度計(jì)算結(jié)合起來(lái)的一種非線性規(guī)整技術(shù)，是較早的一種模式匹配和模型訓(xùn)練技術(shù)。該方法成功解決了語(yǔ)音信號(hào)特征參數(shù)序列比較時(shí)時(shí)長(zhǎng)不等的難題，在孤立詞語(yǔ)音識(shí)別中獲得了良好性能。

4.2 矢量量化(VQ)

矢量量化是一種重要的信號(hào)壓縮方法，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：將語(yǔ)音信號(hào)波形的k個(gè)樣點(diǎn)的每1幀，或有k個(gè)參數(shù)的每1參數(shù)幀，構(gòu)成k維空間中的1個(gè)矢量，然后對(duì)矢量進(jìn)行量化。量化時(shí)，將k維無(wú)限空間劃分為M個(gè)區(qū)域邊界，然后將輸入矢量與這些邊界進(jìn)行比較，并被量化為“距離”最小的區(qū)域邊界的中心矢量值。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(shū)，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。

4.3 隱馬爾可夫模型(HMM)

隱馬爾可夫模型是20世紀(jì)70年代引入語(yǔ)音識(shí)別理論的，它的出現(xiàn)使得自然語(yǔ)音識(shí)別系統(tǒng)取得了實(shí)質(zhì)性的突破。目前大多數(shù)大詞匯量、連續(xù)語(yǔ)音的非特定人語(yǔ)音識(shí)別系統(tǒng)都是基于HMM模型的。

HMM是對(duì)語(yǔ)音信號(hào)的時(shí)間序列結(jié)構(gòu)建立統(tǒng)計(jì)模型，將其看作一個(gè)數(shù)學(xué)上的雙重隨機(jī)過(guò)程：一個(gè)是用具有有限狀態(tài)數(shù)的Markov鏈來(lái)模擬語(yǔ)音信號(hào)統(tǒng)計(jì)特性變化的隱含的隨機(jī)過(guò)程，另一個(gè)是與Markov鏈的每一個(gè)狀態(tài)相關(guān)聯(lián)的觀測(cè)序列的隨機(jī)過(guò)程。前者通過(guò)后者表現(xiàn)出來(lái)，但前者的具體參數(shù)是不可測(cè)的。人的言語(yǔ)過(guò)程實(shí)際上就是一個(gè)雙重隨機(jī)過(guò)程，語(yǔ)音信號(hào)本身是一個(gè)可觀測(cè)的時(shí)變序列，是由大腦根據(jù)語(yǔ)法知識(shí)和言語(yǔ)需要(不可觀測(cè)的狀態(tài))發(fā)出的音素的參數(shù)流。HMM合理地模仿了這一過(guò)程，很好地描述了語(yǔ)音信號(hào)的整體非平穩(wěn)性和局部平穩(wěn)性，是較為理想的一種語(yǔ)音模型。

HMM模型可細(xì)分為離散隱馬爾可夫模型(DHMM)和連續(xù)隱馬爾可夫模型(CHMM)以及半連續(xù)隱馬爾可夫模型(SCHMM)等[3]。

4.4 人工神經(jīng)元網(wǎng)絡(luò)(ANN)

人工神經(jīng)元網(wǎng)絡(luò)在語(yǔ)音識(shí)別中的應(yīng)用是目前研究的又一熱點(diǎn)。ANN實(shí)際上是一個(gè)超大規(guī)模非線性連續(xù)時(shí)間自適應(yīng)信息處理系統(tǒng)，它模擬了人類(lèi)神經(jīng)元活動(dòng)的原理，最主要的特征為連續(xù)時(shí)間非線性動(dòng)力學(xué)、網(wǎng)絡(luò)的全局作用、大規(guī)模并行分布處理及高度的穩(wěn)健性和學(xué)習(xí)聯(lián)想能力。這些能力是HMM模型不具備的。但ANN又不具有HMM模型的動(dòng)態(tài)時(shí)間歸正性能。因此，人們嘗試研究基于HMM和ANN的混合模型，把兩者的優(yōu)點(diǎn)有機(jī)結(jié)合起來(lái)，從而提高整個(gè)模型的魯棒性，這也是目前研究的一個(gè)熱點(diǎn)。