语音识别技术及厂商解析 智能家居的另一大入口？

型（HMM）的方法、基于人工神经网络（ANN）和支持向量机等语音识别方法。

　　语音识别基本框图

　　语音识别分类：

　　根据对说话人的依赖程度，分为：

　　（1）特定人语音识别（SD）：只能辨认特定使用者的语音，训练→使用。

　　（2）非特定人语音识别（SI）：可辨认任何人的语音，无须训练。

　　根据对说话方式的要求，分为：

　　（1）孤立词识别：每次只能识别单个词汇。

　　（2）连续语音识别：用者以正常语速说话，即可识别其中的语句。

　　语音识别系统

　　语音识别系统的模型通常由声学模型和语言模型两部分组成，分别对应于语音到音节概率的计算和音节到字概率的计算。

　　Sphinx是由美国卡内基梅隆大学开发的大词汇量、非特定人、连续英语语音识别系统。一个连续语音识别系统大致可分为四个部分：特征提取，声学模型训练，语言模型训练和解码器。

　　（1）预处理模块

　　对输入的原始语音信号进行处理，滤除掉其中的不重要的信息以及背景噪声，并进行语音信号的端点检测（找出语音信号的始末）、语音分帧（近似认为在10-30ms内是语音信号是短时平稳的，将语音信号分割为一段一段进行分析）以及预加重（提升高频部分）等处理。

　　（2）特征提取

　　去除语音信号中对于语音识别无用的冗余信息，保留能够反映语音本质特征的信息，并用一定的形式表示出来。也就是提取出反映语音信号特征的关键特征参数形成特征矢量序列，以便用于后续处理。

　　目前的较常用的提取特征的方法还是比较多的，不过这些提取方法都是由频谱衍生出来的。

　　（3）声学模型训练

　　根据训练语音库的特征参数训练出声学模型参数。在识别时可以将待识别的语音的特征参数同声学模型进行匹配，得到识别结果。

　　目前的主流语音识别系统多采用隐马尔可夫模型HMM进行声学模型建模。

　　（4）语言模型训练

　　语言模型是用来计算一个句子出现概率的概率模型。它主要用于决定哪个词序列的可能性更大，或者在出现了几个词的情况下预测下一个即将出现的词语的内容。换一个说法说，语言模型是用来约束单词搜索的。它定义了哪些词能跟在上一个已经识别的词的后面（匹配是一个顺序的处理过程），这样就可以为匹配过程排除一些不可能的单词。

　　语言建模能够有效的结合汉语语法和语义的知识，描述词之间的内在关系，从而提高识别率，减少搜索范围。语言模型分为三个层次：字典知识，语法知识，句法知识。

　　对训练文本数据库进行语法、语义分析，经过基于统计模型训练得到语言模型。语言建模方法主要有基于规则模型和基于统计模型两种方法。

　　（5）语音解码和搜索算法

　　解码器：即指语音技术中的识别过程。针对输入的语音信号，根据己经训练好的HMM声学模型、语言模型及字典建立一个识别网络，根据搜索算法在该网络中寻找最佳的一条路径，这个路径就是能够以最大概率输出该语音信号的词串，这样就确定这个语音样本所包含的文字了。所以解码操作即指搜索算法：是指在解码端通过搜索技术寻找最优词串的方法。

　　连续语音识别中的搜索，就是寻找一个词模型序列以描述输入语音信号，从而得到词解码序列。搜索所依据的是对公式中的声学模型打分和语言模型打分。在实际使用中，往往要依据经验给语言模型加上一个高权重，并设置一个长词惩罚分数。当今的主流解码技术都是基于Viterbi搜索算法的，Sphinx也是。

　　语音识别技术的难点

　　说话人的差异

　　• 不同说话人：发音器官，口音，说话风格

　　• 同一说话人：不同时间，不同状态

　　噪声影响

　　• 背景噪声

　　• 传输信道，麦克风频响

　　鲁棒性技术

　　• 区分性训练

　　• 特征补偿和模型补偿

　　语音识别的具体应用

　　• 命令词系统

　　Ø 识别语法网络相对受限，对用户要求较严格

　　Ø 菜单导航，语音拨号，车载导航，数字字母识别等等

　　• 智能交互系统

　　Ø 对用户要求较为宽松，需要识别和其他领域技术的结合

　　Ø 呼叫路由，POI语音模糊查询，关键词检出

　　• 大词汇量连续语音识别系统

　　Ø 海量词条，覆盖面广，保证正确率的同时实时性较差

　　Ø 音频转写

　　• 结合互联网的语音搜索

　　Ø 实现语音到文本，语音到语音的搜索