語音識別技術原理簡介

自動語音識別技術(Auto Speech Recognize，簡稱ASR)所要解決的問題是讓計算機能夠“聽懂”人類的語音，將語音中包含的文字信息“提取”出來。ASR技術在“能聽會說”的智能計算機系統中扮演著重要角色，相當于給計算機系統安裝上“耳朵”，使其具備“能聽”的功能，進而實現信息時代利用“語音”這一最自然、最便捷的手段進行人機通信和交互。

語音識別技術所面臨的問題是非常艱巨和困難的。盡管早在二十世紀五十年代，世界各國就開始了對這項技術孜孜不倦的研究，特別是最近二十年，國內外非常多的研究機構和企業都加入到語音識別技術的研究領域，投入了極大的努力，也取得了豐碩的成果，但是直到今天，距離該技術得到完美解決還存在著巨大的差距，不過這并不妨礙不斷進步的語音識別系統在許多相對受限的場合下獲得成功的應用。

如今，語音識別技術已經發展成為涉及聲學、語言學、數字信號處理、統計模式識別等多學科技術的一項綜合性技術。基于語音識別技術研發的現代語音識別系統在很多場景下獲得了成功的應用，不同任務條件下所采用的技術又會有所不同。下圖是在一個相對通用的任務條件下的語音識別系統示意圖。語音識別系統構建過程整體上包括兩大部分：訓練和識別。訓練通常是離線完成的，對預先收集好的海量語音、語言數據庫進行信號處理和知識挖掘，獲取語音識別系統所需要的“聲學模型”和“語言模型”;而識別過程通常是在線完成的，對用戶實時的語音進行自動識別。識別過程通常又可以分為“前端”和“后端”兩大模塊：“前端”模塊主要的作用是進行端點檢測(去除多余的靜音和非說話聲)、降噪、特征提取等;“后端”模塊的作用是利用訓練好的“聲學模型”和“語言模型”對用戶說話的特征向量進行統計模式識別(又稱“解碼”)，得到其包含的文字信息，此外，后端模塊還存在一個“自適應”的反饋模塊，可以對用戶的語音進行自學習，從而對“聲學模型”和“語音模型”進行必要的“校正”，進一步提高識別的準確率。

語音識別技術發展歷史及現狀

語音識別的研究工作大約開始于20世紀50年代，當時ATT Bell實驗室基于共振峰提取技術實現了第一個可識別十個英文數字的語音識別系統——Audry系統。

60年代，計算機的應用推動了語音識別的發展。這時期的重要成果是提出了動態時間規劃(DP)和線性預測分析技術(LPC)，其中后者較好地解決了語音信號產生模型的問題，對語音識別的發展產生了深遠影響。

70年代，語音識別領域取得了較大進展。在理論上，LP技術得到進一步發展，動態時間歸正技術(DTW)基本成熟，特別是提出了矢量量化(VQ)和隱馬爾可夫模型(HMM)理論。在實踐上，實現了基于線性預測倒譜和DTW技術的特定人孤立語音識別系統。

80年代，MFCC的參數提取技術和HMM模型的深入使用使得語音識別技術得到進一步的發展，語音識別的問題逐步在理論體系上得到了比較完整和準確的描述，同時在實踐上又逐步研發出效率較高的解決算法。

90年代以來，在美國國防部的Darpa測試、Ears計劃、近期的Gales計劃，以及我國863計劃等推動下，一大批高水平的研究機構和企業加入到語音識別的研究領域，極大地推動了語音識別技術的發展和應用。語音識別系統已經從過去的小詞匯量、孤立詞識別、特定人識別、安靜環境等簡單任務逐步發展到大詞匯量、連續語音、非特定人、噪聲環境下的識別任務，從單純的語音識別任務發展到語音翻譯任務，從實驗室系統走向商用系統。