語音識別方法及發(fā)展趨勢分析

1、語音識別改進方法及難點分析模式識別結(jié)課小論文學院：化工與環(huán)境學院學號：2120151177姓名：杜妮摘要：隨著計算機技術的不斷發(fā)展，人工智能程度也越來越高，作為人工智能的一部分模式識別也在模型和算法上愈發(fā)成熟。本文根據(jù)近105年文獻，分析最新聲音識別的方法和應用。關鍵字：模式識別 聲音識別 方法 應用隨著人工智能的迅速發(fā)展，語音識別的技術越來越成為國內(nèi)外研究機構(gòu)的焦點。人們致力于能使機器能夠聽懂人類的話語指令，并希望通過語音實現(xiàn)對機器的控制。語音識別的研究發(fā)展將在不遠的將來極大地方便人們的生活。語音識別大致的流程包括：特征提取、聲學模型訓練、語音模型訓練以及識別搜索算法。作為一項人機交互的關鍵

2、技術，語音識別在過去的幾十年里取得了飛速的發(fā)展，人們在研究和探索過程中針對語音識別的各部流程進行了各種各樣的嘗試和改造，以期發(fā)現(xiàn)更好的方法來完成語音識別流程中的各步驟，以此來促進在不同環(huán)境下語音識別的效率和準確率。本文通過查閱近10年國內(nèi)外文獻，分析目前語音識別流程中的技術進展和趨勢，并在文章最后給出幾項語音識別在日常生活中的應用案例，從而分析語音識別之后的市場走勢和實際利用價值。一、語音識別的改進方法(一) 特征提取模塊改進特征提取就是從語音信號中提取出語音的特征序列。提取的語音特征應該能完全、準確地表達語音信號，特征提取的目的是提取語音信號中能代表語音特征的信息，減少語音識別時所要處理的數(shù)

3、據(jù)量。語音信號的特征分析是語音信號處理的前提和基礎，只有分析出可以代表語音信號本質(zhì)特征的參數(shù)，才能對這些參數(shù)進行高效的語音通信，語音合成，和語音識別等處理，并且語音合成的好壞，語音識別率的高低，也都取決于語音特征提取的準確性和魯棒性。目前，針對特定應用的中小詞匯量、特定人的語音識別技術發(fā)展已較為成熟，已經(jīng)能夠滿足通常應用的要求，并逐步投入了實用。而非特定人、大詞匯量、連續(xù)語音識別仍是目前階段語音識別研究的重點和難點【1】。由于考慮到人耳的聽覺特性， Mel 倒譜系數(shù)或感知線性預測系數(shù)【2】已經(jīng)成為目前主流的語音特征向量提取方法之一，加上它們的一階、二階差分以及對特征向量進行歸一化處理以后， 在

4、大詞匯量連續(xù)語音識別問題上取得不錯的結(jié)果。語音識別技術中最流行的特征參數(shù)時基于聲道模型和聽覺機理的LPCC(Linear Predictive Cepstral Coeficients)和MFCC(Mel Frequency Cepstral cocficients)參數(shù)，而MFCC在低頻段具有較高的譜分辨率，對噪聲的魯棒性優(yōu)于LPCC，更適合語音識別。但與人聽覺系統(tǒng)非凡的感知能力比較，不管是LPCC還是MFCC參數(shù)，在不利的噪聲環(huán)境下，其魯棒性都會急劇下降。如何在特征提取過程中抽取保持語音信號最重要的特征參數(shù)，成為一個急需解決的問題。對語音識別實際應用過程中的噪聲問題，付麗輝給出了一種新的抗

5、噪聲的特征提取算法，即先利用小波變換將語音信號進行小波子帶分解，再根據(jù)人耳的聽覺掩蔽效應，由譜壓縮的技術，將小波變換后的子帶語音信號進行壓縮，從而提取其對應的語音特征。通過MATLAB軟件建立實驗平臺，仿真實驗結(jié)果表明該語音特征可以在噪聲環(huán)境下得到較高的識別率。新的特征參數(shù)即充分利用了小波的抗噪聲特性又有效地降低了語音識別中的訓練環(huán)境和識別環(huán)境間的失配，具有抗噪聲的特點【3】。為克服FIR濾波器存在的通阻帶特性差、濾波器階次高等缺點給語音識別系統(tǒng)帶來的不利影響，黃麗霞等人采用Laguerre濾波器組代替過零峰值幅度特征提取中使用的FIR濾波器組進行前端處理。在仔細研究FIR濾波器參數(shù)確定方法的

6、基礎上，詳細介紹了La-guerre濾波器原理及參數(shù)計算方法，并給出了計算結(jié)果。孤立詞、非特定人語音識別實驗結(jié)果表明，使用Laguerre濾波器不僅使識別系統(tǒng)抗噪性能優(yōu)于使用FIR濾波器，而且濾波器階數(shù)也大為下降【4】。陳斌等人提出了一種基于最小分類錯誤(Minimum classification error，MCE)準則的線性判別分析方法 (Linear discriminant analysis， LDA)，并將其應用到連續(xù)語音識別中的特征變換。該方法采用非參數(shù)核密度估計方法進行數(shù)據(jù)概率分布估計；根據(jù)得到的概率分布，在最小分類錯誤準則下，采用基于梯度下降的線性搜索算法求解判別分析變換矩陣

7、。利用判別分析變換矩陣對相鄰幀梅爾濾波器組輸出拼接的超矢量變換降維，得到時頻特征。實驗結(jié)果表明，與傳統(tǒng)的MFCC特征相比，經(jīng)過本文判別分析提取的時頻特征其識別準確率提高了1。41%，相比于HLDA (Heteroscedastic LDA)和近似成對經(jīng)驗正確率準則 (Approximate pairwise empirical accuracy criterion， aPEAC) 判別分析方法，識別準確率分別提高了1.14%和0.83%【5】。(二) 聲學模型訓練改善聲學模型是語音識別系統(tǒng)的底層模型，是語音識別系統(tǒng)中最為關鍵的一部分。其目標就是提供一種有效的方法，計算語音的特征矢量序列和每一個

8、發(fā)音模板之間的距離。傳統(tǒng)的聲學建模方式大都基于隱馬爾科夫框架，采用混合高斯模型（Guassian mixture model，GMM）來描述語音聲學特征的概率分布。針對傳統(tǒng)的“隱馬爾科夫模型- 高斯混合模型”聲學模型，目前常用的解決方案有: 結(jié)構(gòu)化協(xié)方差矩陣/精度矩陣建模方法【6】， 即假設不同協(xié)方差矩陣或其精度矩陣由若干個低秩(通常是秩為1 的) 基矩陣的線性疊加得到， 各高斯混元通過某種方式共享一組相同的基矩陣；本征三音子(Eigentriphone) 建模方法【7】， 將上下文相關狀態(tài)進行聚類， 將每一類狀態(tài)的均值矢量限定在一個線性子空間中， 通過估計子空間中的低維坐標矢量來重構(gòu)狀態(tài)的均

9、值矢量，從而得到更為精確的參數(shù)估計； 子空間高斯混合模型(Subspace Gaussian mixture model， SGMM)【8】，將高斯混元的均值和權重限制在一個全局參數(shù)子空間中， 因此每一個狀態(tài)可以用一個或若干個低維參數(shù)子空間中的矢量來表示， 從而提高模型參數(shù)估計的穩(wěn)健性。與傳統(tǒng)的高斯混合模型相比，SGMM 聲學模型大大壓縮了模型尺寸， 并且可以利用集外數(shù)據(jù)對參數(shù)子空間進行估計，因此特別適用于訓練數(shù)據(jù)量受限條件下的語音識別【9】。張文林等人提出從語音信號聲學特征空間的非線性流形結(jié)構(gòu)特點出發(fā)，利用流形上的壓縮感知原理，構(gòu)建新的語音識別聲學模型。將特征空間劃分為多個局部區(qū)域，對每個局

10、部區(qū)域用一個低維的因子分析模型進行近似，從而得到混合因子分析模型。將上下文相關狀態(tài)的觀測矢量限定在該非線性低維流形結(jié)構(gòu)上， 推導得到其觀測概率模型。最終每個狀態(tài)由一個服從稀疏約束的權重矢量和若干個服從標準正態(tài)分布的低維局部因子矢量所決定?；赗M 語料庫的連續(xù)語音識別實驗表明，相比于傳統(tǒng)的高斯混合模型(Gaussian mixture model，GMM) 和子空間高斯混合模型(Subspace Gaussian mixture model， SGMM)，新聲學模型在測試集上的平均詞錯誤率(Word error rate，WER) 分別相對下降了33。1% 和9。2 %【10】。由于隱馬爾科夫

11、屬于典型的淺層學習結(jié)構(gòu)，僅含單個將原始輸入信號轉(zhuǎn)換到特定問題空間特征的簡單結(jié)構(gòu)，而目前識別挑戰(zhàn)越來越嚴峻，在大量的數(shù)據(jù)下其性能將會受到限制。隨著人工智能的進一步發(fā)展，人們開始利用人工神經(jīng)網(wǎng)絡（artificial neural network，ANN）來模擬人類大腦存儲及處理信息的相應模型。目前，微軟、IBM、Goolge等許多國際知名語音研究機構(gòu)都投入了大量的經(jīng)歷開展深層神經(jīng)網(wǎng)絡的研究。近年來，微軟利用上下文相關的深層神經(jīng)網(wǎng)（context dependent deep neural network，CD-DNN）進行聲學模型建模，并在大詞匯連續(xù)語音識別上取得相對于經(jīng)鑒別性訓練HMM系統(tǒng)有句

12、錯誤率相對下降23.2%的性能改善，掀起了深層神經(jīng)網(wǎng)絡在語音識別領域的熱潮【11】。為了克服經(jīng)典語音識別建模方式在大數(shù)據(jù)環(huán)境下的局限性，張晴晴等人提出利用卷積神經(jīng)網(wǎng)絡來完成海量數(shù)據(jù)下的語音識別。她提出，音識別中，卷積神經(jīng)網(wǎng)絡( Convolutional neural networks， CNNs)相比于目前廣泛使用的深層神經(jīng)網(wǎng)絡(deep neural network，DNNs)，能在保證性能的同時，大大壓縮模型的尺寸。她在文章中深入分析了卷積神經(jīng)網(wǎng)絡中卷積層和聚合層的不同結(jié)構(gòu)對識別性能的影響情況，并與目前廣泛使用的深層神經(jīng)網(wǎng)絡模型進行了對比。在標準語音識別庫TIMIT以及大詞表非特定人電話

13、自然口語對話數(shù)據(jù)庫上的實驗結(jié)果證明，相比傳統(tǒng)深層神經(jīng)網(wǎng)絡模型，卷積神經(jīng)網(wǎng)絡明顯降低模型規(guī)模的同時，識別性能更好，且泛化能力更強【11】。(三) 語音模型訓練改進隨著語音識別技術的不斷發(fā)展， 語言模型在語音識別中的作用也顯得越來越重要。由于聲學信號的動態(tài)時變、瞬時和隨機性， 單靠聲學模式的匹配與判斷不可能完成語音的無誤的識別和理解。一些較高層次的語言知識的利用可以在聲學識別的層次上減少模式匹配的模糊性， 從而提高識別的準確性。并且一個大詞匯量連續(xù)語音識別系統(tǒng)必須在每一時刻檢測是否遇到語音發(fā)音邊界， 這樣許多不同的字或詞將會從不同的語音流中識別出來。為了消除這些字或詞之間的模糊性， 語言模型是必不

14、可少的。語言模型可以提供字或詞之間的上下文信息和語義信息。語言模型不僅用在語音識別系統(tǒng)中， 而且可以用在機器翻譯、信息檢索等研究領域【13】【14】?；陔[馬爾科夫模型的參數(shù)語音合成系統(tǒng)，在采用線譜對參數(shù)表征語音頻譜特征時，傳統(tǒng)MGE訓練中使用的歐氏距離生成誤差計算方法并不能較好地反映生成頻譜與自然頻譜之間的真實距離。因此雷鳴等人提出一種基于感知加權線譜對(Line Spectral Pair，LSP)距離的最小生成誤差(Minimum Generation Error，MGE)模型訓練方法，采用與譜參數(shù)無關的對數(shù)譜間距(Log Spectral Distortion，LSD)定義的生成誤差函

15、數(shù)來改善這一問題，但改進后主觀效果不明顯，且運算復雜度很高【15】。為了克服語音身份確認中語音分割、特征提取和魯棒性差的困難，朱秉誠等人在深入分析叩齒聲音波形特性后，提出一種了一種利用叩齒聲音進行身份確認的方法這種方法使用二階微分方程建立齒震動發(fā)聲的近似模型，以此為基礎提出基于叩齒聲音信號的身份確認方法。經(jīng)過實驗證明，叩齒聲音信號穩(wěn)定性強，處理復雜度低于聲紋信號，應用于身份識別性能優(yōu)良。該方法和經(jīng)典的支持向量機、最近鄰算法相比，運算量低，所需訓練樣本少。【15】(四) 識別搜索算法改進搜索就是在由語句構(gòu)成的空間當中，按照一定的優(yōu)化準則，尋找最優(yōu)句子的過程，也就是利用已掌握的知識（聲學知識、語音

16、學知識、詞典知識、語言模型知識以及語法語義知識等），在狀態(tài)（指的是詞組、詞、建模單元或HMM 的狀態(tài)）空間中找到最優(yōu)的狀態(tài)序列。近年來， 由于信息技術和互聯(lián)網(wǎng)技術的飛速發(fā)展， 人們越來越多地利用嵌入式便攜設備作為獲取信息的工具。而語音識別技術作為自然方便的人機交互手段， 也已經(jīng)應用于越來越多的嵌入式設備上。但是由于嵌入式設備的系統(tǒng)資源配置與PC有著很大的不同， 其對計算復雜度和內(nèi)存消耗有著更為苛刻的限制，尤其是嵌入式設備為滿足其低功耗一般都采用盡可能小的動態(tài)內(nèi)存。所以一些較成熟的PC上的語音識別任務往往受限于嵌入式設備自身有限的計算能力和存儲量?！?7】目前世界上主流的語音識別系統(tǒng)基本是采用H

17、MM框架。基于HMM的語音識別系統(tǒng)通常由聲學模型、發(fā)音詞典、搜索空間、搜索算法模塊組成。其中搜索算法是決定系統(tǒng)性能的關鍵，它決定了如何使用各種資源，而搜索算法又和搜索空間密不可分，搜索空間的構(gòu)造不僅本身影響著內(nèi)存的占用，而且也影響著搜索的效率。傳統(tǒng)的狀態(tài)樹搜索算法18是讓每個詞條通過查找發(fā)音字典取得音素序列，音素序列根據(jù)聲學模型里面的決策樹19得到相應的音素狀態(tài)序列。狀態(tài)搜索樹的合并策略是如果兩個單詞的音素狀態(tài)序列前綴一致，合并相同的部分，虛節(jié)點不允許合并。解碼搜索過程中采用基于時間同步的令牌傳遞(token passing)算法20。開始識別時在root節(jié)點放置一個初始令牌(token)，之

18、后每來一幀語音數(shù)據(jù)，在已有的搜索空間中按其拓撲順序進行令牌傳遞，每一個令牌記錄識別得分并且包括回溯信息。識別過程中為了加快搜索速度，采用動態(tài)束剪枝搜索算法21僅使得分較高的令牌繼續(xù)傳遞；識別結(jié)束時從詞尾節(jié)點處取得得分最高的令牌并將其回溯，即可得到首選識別結(jié)果。邵健等于提出了一種新的高效的樹搜索算法，即在原有的基于狀態(tài)音素搜索樹中合并沒有分枝的連續(xù)的單兒子節(jié)點序列成一個節(jié)點，稱之為超音素節(jié)點，超音素節(jié)點需要保存被合并的多個節(jié)點的狀態(tài)信息，用狀態(tài)音素序列來表示。對于SP節(jié)點和詞標示節(jié)點這兩類特殊節(jié)點同樣不作合并。實現(xiàn)了基于超音素搜索樹的詞條動態(tài)添加和刪除功能，使得內(nèi)存占用減少為狀態(tài)樹搜索的40%【

19、22】。2009年蔡塔等人提出了嵌入式語音識別中一種高效的圖搜索算法，通過分離聲學層和詞法層來構(gòu)建2層圖搜索空間,其中聲學層記錄聲學模型相關信息,詞法層記錄詞表語法信息.利用這樣簡潔的搜索空間可以使語音識別的解碼過程更加緊湊有效.實驗結(jié)果表明,與基線系統(tǒng)相比,所提出的雙層圖搜索算法在系統(tǒng)解碼速度相對提高10%的情況下,系統(tǒng)的動態(tài)內(nèi)存占用僅為基線的8%.【23】二、語音識別的發(fā)展分析語音識別的應用范圍極為廣泛，可應用于各行各業(yè)，如醫(yī)療衛(wèi)生服務、語音撥號、智能玩具、智能家居、賓館服務、軍事監(jiān)聽、股票交易、翻譯系統(tǒng)、汽車導航、信息網(wǎng)絡查詢、工業(yè)控制等等。語音識別廣泛涉及聲學、語言學、語音學、生理科學

20、、數(shù)字信號處理、通信理論、電子技術、計算機科學、模式識別和人工智能等眾多學科【24】。雖然語音識別近30年內(nèi)得到了極大地發(fā)展，也取得了較為廣泛的應用，但應該看到，語音識別依然存在很多問題需要我們解決：(一) 語音識別難點問題分析語音識別還做不到使機器能如同人類一樣能“聽懂”或理解自然語言，像人與人之間的語言交流一樣。主要原因是目前研究工作進展緩慢，主要技術理論沒有突破。雖然各種新的修正方法不斷出現(xiàn)，但其普遍性和實用性還存在問題。具體的來說有如下：l、語音識別系統(tǒng)的魯棒性差，對環(huán)境依賴嚴重；2、語音識別系統(tǒng)的靈活性差，不能適應人類靈活、自然的說話方式；3、連續(xù)語音流中語音信號的聲學特征隨與之前后

21、相連的語音的不同而有很大的變化，且各語音單位之間不存在明顯的界線，語音切分很困難；4、語音特征變化大。語音特征隨發(fā)音人的不同、發(fā)音人生理或心理狀態(tài)的變化而有很大的差異；5、語音的模糊性，同音詞大量而普遍存在；6、對韻律信息的利用不足；韻律信息指的是說話之中的重音、語調(diào)等超音段信息；如何在語音識別中結(jié)合韻律信息還有待進一步的研究；7、自然語言的多變性難以借助于一些基本語法規(guī)則進行描述，語法、語義規(guī)則定義困難。(二) 漢語語音識別特點與難點分析對于漢語語音識別來說除具有一般語音識別的特點外，還有其獨特的方面，因為：1、漢語字以單音節(jié)為單位，發(fā)音時間短，不像英語以多音節(jié)為主；2、漢語有大量的同音字；

22、漢語由60個左右的聲母和韻母組成40多個無調(diào)音節(jié)和1200多個有調(diào)音節(jié)，音節(jié)與音節(jié)之間相似性大、易混淆；3、中國民族眾多，不同地區(qū)之間發(fā)音變化很大，方言多；4、漢語的字詞不分使得詞的切分成為漢語語言理解與處理獨有和首要的問題；5、靈活自由的語言表述難以用漢語語言知識表示方法來表達。技術服務于生活，生活產(chǎn)生需要，需要又將進一步反作用于技術發(fā)展。根據(jù)對目前語音識別的技術困難分析，想必語音識別領域未來將針對以上種種語音識別中存在的困難和壁壘，做出新的成果。參考文獻【1】. 王炳錫，屈丹，彭煊，實用語音識別基礎M國防工業(yè)出版社2005年1月，5657【2】. Dahl G E，Yu D。context

23、-dependent pre-trained deep neutral networks for large-vovabulary speech recognition。 IEEE Trans Audio Speech Lang Process，2012，20（1）：30【3】. 付麗輝 抗噪聲的小波譜壓縮特征提取算法在語音識別中的應用。J。量子電子學報。第4期。2009【4】. 黃麗霞，張雪英 Laguerre濾波器在抗噪語音識別特征提取中的應用J。計算機工程與應用。第四期。2008【5】. 陳斌等?；贛CE準則的語音識別特征線性判別分析J。自動化學報。第40卷第6期。2014年6月?！?

24、】. Povey D， Burget L， Agarwal M， Akyazi P， Kai F， Ghoshal A， Glembek O， Goel N， Kara¯µat M， Rastrow A， Rose RC， Schwarz P， Thomas S。 The subspace Gaussian mixture model a structured model for speech recognition。 Computer Speech & Language， 2011， 25(2): 404-439【7】. Ko T， Mak B。 Eigentri

25、phones for context-dependent acoustic modeling。 IEEE Transactions on Audio， Speech， and Language Processing， 2013， 21(6): 1285-1294【8】. Olsen P A， Gopinath R A。 Modeling inverse covariance ma-trices by basis expansion。 IEEE Transactions on Speech and Audio Processing， 2004， 12(1): 37-46【9】. Qi J， Wa

26、ng D， Tejedor J。 Subspace models for bottleneck features。 In: Proceedings of the 14th Annual Conference of the International Speech Communication Association。 Lyon， France: ISCA， 2013。 1746-1750【10】. 張文林?；诼晫W特征空間非線性流形結(jié)構(gòu)的語音識別聲學模型【J】，自動化學報。第41卷第5期，2015，12【11】. Dahl G E，Yu D。context-dependent pre-train

27、ed deep neutral networks for large-vovabulary speech recognition。 IEEE Trans Audio Speech Lang Process，2012，20（1）：30【12】. 張晴晴。卷積神經(jīng)網(wǎng)絡的連續(xù)語音識別J。工程科學學報。第37卷，第9期，1212-1217，2015年9月【13】. Croft ， W。B。 and J 。Lafferty ， Language Modeling for Informatioan Retrieval M 。 2003 :Kluwer -Academic Publishers 【14】.

28、Ney ， H 。， One decade o f statistical machine translation n:1996-2005 C / IEEE Workshop on Automatic Speech Recognition and Understanding (Asru )，2005 :2-2?！?5】. Lei Ming。Minimum Generation Error Training Based on Perceptually Weighted Line Spectral Pair Distance for Statistical Parametric Speech Synthesis。J。2010:Pattern Recognition and Artificial Intelligence?！?6】. 朱秉誠等