语音识别综述
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
山西大学研究生学位课程论文(2014 ---- 2015 学年第 2 学期)
学院(中心、所):计算机与信息技术学院
专业名称:计算机应用技术
课程名称:自然语言处理技术
论文题目:语音识别综述
授课教师(职称):
研究生姓名:
年级:
学号:
成绩:
评阅日期:
山西大学研究生学院
2015年 6 月2日
语音识别综述
摘要随着大数据、云时代的到来,我们正朝着智能化和自动化的信息社会迈进,作为人机交互的关键技术,语音识别在五十多年来不仅在学术领域有了很大的发展,在实际生活中也得到了越来越多的应用。本文主要介绍了语音识别技术的发展历程,国内外研究现状,具体阐述语音识别的概念,基本原理、方法,以及目前使用的关键技术HMM、神经网络等,具体实际应用,以及当前面临的困境与未来的研究趋势。
关键词语音识别;隐马尔科夫模型;神经网络;中文信息处理
1.引言
语言是人类相互交流最常用、有效的和方便的通信方式,自从计算机诞生以来,让计算机能听懂人类的语言一直是我们的梦想,随着大数据、云时代的到来,信息社会正朝着智能化和自动化推进,我们越来越迫切希望能够摆脱键盘等硬件的束缚,取而代之的是更加易用的、自然的、人性化的语音输入。语音识别是以语音为研究对象,通过对语音信号处理和模式识别让机器自动识别和理解人类口述的语言。
2.语音识别技术的发展历史及现状
2.1语音识别发展历史
语音识别的研究工作起源与上世纪50年代,当时AT&T Bell实验室实现了第一个可识别十个英文数字的语音识别系统——Audry系统。1959年,J.W.Rorgie和C.D.Forgie采用数字计算机识别英文元音及孤立字,开始了计算机语音识别的研究工作。
60年代,计算机应用推动了语音识别的发展。这时期的重要成果是提出了动态规划(DP)和线性预测分析技术(LP),其中后者较好的解决了语音信号产生模型的问题,对后来语音识别的发展产生了深远的影响。
70年代,LP技术得到了进一步的发展,动态时间归正技术(DTW)基本成熟,特别是矢量量化(VQ)和隐马尔科夫(HMM)理论的提出,并且实现了基于线性预测倒谱和DTW技术的特定人孤立语音识别系统。
80年代,实验室语音识别研究产生了巨大的突破,一方面各种连接词语音识别算法被开发,比如多级动态规划语音识别算法;另一方面语音识别算法从模板匹配技术转向基于统计模型技术,研究从微观转向宏观,从统计的角度来建立最佳的语音识别系统。隐马尔科夫模型(HMM)就是其典型代表,能够很好的描述语音信号的时变性和平稳性,使大词汇量连续语音识别系统的开发成为可能,在80年代中期在实践开发中成功应用了HMM模型和人工
神经网络(ANN)。1988年Kai-FuLee等用VQ/HMM方法实现的非特定人连续语音识别系统SPHINX是语音识别历史上的一个里程碑。
90年代以后,人工神经网络技术为语音识别开辟了一条新途径,ANN具有自适应性、并行性、鲁棒性、容错性和学习特性,在结构和算法都显示了很大的潜力,更在细化模型的设计、参数提取和优化,以及系统的自适应技术上取得了关键进展,语音识别开始进入实际应用。
2.2语音识别国内外发展现状
近几年语音技术发展迅速,虽然国内对语音识别商业化仍有一些欠缺。但整体来说国内的语音技术研究与国外基本同步。科大讯飞,捷通华声等语音企业相继成立。2010年Google 发布的Voice Action支持语音操作与检索,2011年初微软的深度神经网络(DNN)模型在语音搜索任务上获得成功;同年10月苹果公司Siri首次亮相,人机交互开启了新的篇章;国内科大讯飞首次将DNN技术运用到语音云平台;2013年Google发布的Glass使用语音交互,同时苹果公司加大了对iWatch的研发投入,穿戴式语音交互设备成为新热点。
我国在语音识别方面的研究最早起源于1958年,当时中科院声学所通过最简单的电子管电路来完成对10个元音的识别,由于计算机技术的滞后,直到国家执行863计划后,语音识别技术和其他关键技术才得到一定的扶持,研究工作才步入了高速发展时期,目前我们的研究水平基本与国外接轨,在汉语语音识别已经处于领先水平,
3.语音识别基本原理方法
3.1语音识别基本原理
语音识别其实是一个模式识别匹配的过程,语音系统一般可以分为前端处理和后端处理,如图1所示。前端包括语音信号的输入,预处理,特征提取,后端是对数据库的搜索过程,分为训练和识别。训练是对所建模型进行评估,匹配,优化,获得模型参数。识别时一个专用的搜索数据库,获得前端数值后,在声学模型,语言模型,字典。声学模型是通过训练来识别特定用户的语音模型和发音环境特征。语言模型就涉及到中文信息处理的问题,在这要对语料库单词规则化建一个概率模型。字典则列出了大量的单词和发音规则。
图1语音系统结构图
具体过程如下,计算机先根据人的语音特点建立语音模型,对输入的语音信号进行分析,并抽取所需的特征,在此基础上建立语音识别所需要的模板,然后在识别过程中,计算机根据语音识别所需的模板。然后在识别过程中,计算机根据语音识别的整体模型,讲计算机中以经存在的语音模板与输入语音信号的特征进行比较,并根据一定的搜索和匹配策略找出一系列最优的与输入语音匹配的模板。最后通过查表和判决算法给出识别结果。显然识别结果的准确率与语音特征的选择,语音模型和语音模板的好坏,准确度有关。
语音识别的目标是把需要的语音特征向量序列X=x1,x2,…xt转化成词序列W=w1,w2…wn并输出,基于最大后验概率的语音识别模型如下式:
找最可能的词序列W,要使得P(X|W)与P(W)乘积达到最大,其中P(X|W)是特征矢量序列X在给定W条件下的条件概率;P(W)是W独立于语音特征矢量的先验概率,λ是平衡声学模型与语言模型的权重。
3.2语音识别分类
目前语音识别系统的分类主要有孤立语音和连续语音识别系统,特定人和非特定人语音识别系统,大词汇量和小词汇量语音识别系统,嵌入式/服务式模式。
自然语言只是在句尾或者文字需要加标点的地方有个间断,其他部分都是连续的发音,以前的语音系统,主要是对于单字单词这些孤立的语音系统。近年来,连续语音系统已经渐渐成为主流。
根据声学模型建立的方式,特定人语音系统是在前期需要大量的用户发音数据来训练模型,非特定人系统则在系统构建成功后,用户不需要大量语音数据训练就可以使用。
在语音识别技术的发展过程中,词汇量是不断积累的,随着词汇量的增大,对系统的稳定性要求也越来越高,系统的成本也越来越高。比如一个识别电话号码的系统只需要听懂十个数字就可以了,如果是一个订票系统就需要能识别各个地名,如果需要识别一个报道稿,就需要一个大词汇量的语音系统。
嵌入式是将语音识别系统安装在终端设备,比如手机移动终端,识别过程在终端进行。如果是服务器模式,终端是需要收集传导语音信号,服务器进行识别过程。因此对大规模、多用户和大量识别需求的系统,服务器模式可以提供一个有效的解决方案,另外服务器对用户知识需求少,系统整体的更新升级维护更加方便。
4.语音识别的主要模型
4.1样本匹配法
语音识别模型通常有声学模型和语言模型,语言模型能否表达自然语言所包含的丰富语言学知识,是语音识别系统性能好坏的关键。主要的语音识别分类方法有样本匹配法,吧特征缝隙提取的一组随时间而变特征矢量序列和事先通过学习后存在机器里的样本序列进行比较,输入特