基于语音识别的IVR系统的设计与实现

4.2 识别模块的具体实现

由于命令控制语法方式可以限制识别的词汇量，并且这种识别技术不需要对说话人事先进行训练，因此在实际应用中具有较高的鲁棒性和较高的识别效率。本系统的识别词汇包括："车辆信息查询"、"驾驶证信息查询"和26个英文字母10个数字，我们首先编写了包含这些特定词汇的语法文件。

在使用接口函数前，首先调用CoInitialize(NULL)初始化COM对象，然后创建语音识别引擎、语法规则上下文和识别语法，并调用函数LoadCmdFromFile装载文法识别规则。微软识别引擎是通过SAPI由事件触发来通知上层的应用程序。可以调用SetInterest来注册自己感兴趣的事件。系统默认的事件为SPEI_RECOGNITION，该事件表明当前已有识别结果返回，这时上层应用程序可以通过调用ISpRecoResult接口的GetText方法获得识别结果。

微软识别引擎的语音输入有多种方式，通常都是通过声卡直接输入，也可以通过其他语音输入流。本系统的语音数据是从语音卡取得的实时数据，将其存入内存，然后通过调用ISpAudioPlug的SetData方法将其送入识别引擎。

4.3 系统实现的难点和解决方案

车牌的识别词汇中包含10个数字和26个英文字母，这些词汇的发音有许多是相同或相近的，比如：E和1，R和2，T和7，D和B，M和N，X和S。这些词汇在识别时很容易产生误识，有的甚至完全不能识别。如果单从算法上来考虑，是很难解决这些问题的。因此我们考虑从系统的流程出发，当用户认为识别有误时，可以输入识别错误的位数，然后系统根据用户的输入，提供几个备选结果，供用户选择，这样极大的提高了系统识别率。

然而Microsoft Speech SDK 5.1在命令控制语法方式下是不提供多选的，只有在听写方式下才提供多选，但是听写方式下的词汇量又无法限制。对此我们的想法是这样的：当系统识别出结果以后，将有效语音段保存起来，并且把识别结果从命令控制方式下的词汇量中移除，然后将保存有效语音段再次送入识别引擎，当系统识别出结果以后，再次重复以上步骤，直到识别出给定个数的结果。

5 操作方法

用户用清晰、自然的语调说出需查询信息的类别，如：车辆信息查询、驾驶证信息查询，系统识别模块识别出结果后，转入相应的信息查询模块。当用户需要查询车辆信息时，首先要求用清晰、较缓慢的语调说出车牌号,系统识别模块识别出结果后，通过TTS将结果播放给用户。这时用户可以输入车牌号码中识别错误的位数，系统根据用户的输入提供7个备选结果让用户进行选择。用户选择确认无误后，系统将结果递交给后台数据库进行查询，并将检索到的信息播放给用户。

6 试验结果及分析

对于信息类别的识别由于其词汇量少，音节较多，所以识别率很高，达到了100%。但是对于字母和数字的组合识别，由于其词汇量较多，音节简单，而且有大量相同和相近的词汇，很容易受到噪声的干扰，所以识别率不是很理想。然而，当我们提供七个备选结果后，即使在有一定噪音的环境下，系统的识别率达也能达到96%以上。由此表明该系统是稳定的和实用的。