基于隱馬爾科夫模型的語音識別技術實現

陳煥澤 中南大學軟件學院

關鍵字：語音識別 聲學模型 隱馬爾科夫模型

1. 引言

智能語音技術，是一種完成人機通過語言進行類似于人與人之間交互的技術，其中的核心技術包括語音識別技術和語音合成技術。20世紀50年代，智能語音技術已經在語音識別領域開展了研究。而在人機交互中，語音識別這一環節也處于第一個環節，也是核心環節。

2. 語音識別的相關基礎概念

2.1. 語音識別的定義和原理

2.1.1. 定義

語音識別技術即將語音轉化為有意義的文字內容的技術。

2.1.2. 基本實現原理

從原始語音信號中提取某次語音識別所要分析的信號后，利用特征處理將所提取的信號從時域轉變為頻域，從而為聲學模型提供適當的輸入向量，聲學模型根據其本身模型所訓練而得的參數，計算每一個輸入向量在其該模型上的得分；而語言模型則根據語言學相關的知識，計算出各種不同文本序列搭配的可能性；最后由已有的數據字典，對文本序列進行解碼操作，得到可能性最高的文本內容。

而該過程中，如何將每一幀中的音素對應于某個狀態是個難題，這里利用概率論的知識，通過訓練聲學模型，得到相應的概率分布，在其中選擇概率最高的，即所求幀對應的狀態。

輸入語音數據：o=o1...om

各種可能的文本序列組成的集合：W=w1，...，wk

語音識別：根據輸入語音數據o以及各種可能的文本序列集合W中找到最可能的那個文本序列：

其中，聲學模型負責獲得P[o|w]，語言模型負責獲得P[w]。

3. 語音識別核心組件介紹

3.1. 聲學模型

3.1.1. 定義

給定語言學單元，計算輸入語音匹配的可能性，進行對P[o|w]的概率估計；

3.1.2. 發展歷史

表1：聲學模型的發展

3.1.3. 各個主要聲學模型優缺點比較

HMM-DNN聲學模型

優點：

①前后各自擴充n幀，從而利用幀的上下文信息

②與HMM-GMM相比，可以學習深度非線性特征轉換缺點：

無法利用歷史信息來進行操作

HMM-LSTM聲學模型

優點：

①是一個單向時序模型，具有長短時記憶能力

②更契合時序建模問題

③減輕了RNN的梯度消散和梯度爆炸的影響

缺點：

計算復雜度大幅增加，且由于遞歸鏈接的影響使得并行操作難度加大

HMM-BLSTM聲學模型

優點：

相比HMM-LSTM，增添了反向時序信息，使模型的建模能力更強缺點：

①計算復雜度加大

②GPU的顯存需求增大從而降低了并行度，最終導致模型訓練變慢

③實際應用中的實時性問題

3.2. 語言模型

3.2.1. 定義

由聲學模型提供的發音序列，計算各種不同文本序列搭配的可能性。

對于某一句話s：

其中wi是統計單元，可以是字、單詞、短語等。

則句子s的概率可以表示為：

但若按此方法計算句子的概率存在兩個缺陷：

②數據過于稀疏：在語料庫中沒有出現的多詞對組合，由最大似然估計得到概率將為0.

4. 語音識別發展現狀

4.1. 語音識別詞錯率的突破

2016年，Microsoft的語音識別技術在產業標準 Switchboard 語音識別基準測試中詞錯率已降低至5.9%，達到與專業速記員同等水平。而在2017年，詞錯率更是達到了驚人的5.1%。從90年代到2010年左右，由于上一代聲學模型發展碰到瓶頸，語音識別的詞錯率實際上沒有太大的變化。在2010年后，由于DNN的提出與深度網絡的提出與研究，語音識別的詞錯率開始大幅減小。

4.2. 語音助手上的暗戰

4.2.1 Apple Siri

2011年，在iPhone 4s的發布會上，以智能語音助手身份亮相的Apple Siri成為當時全場最大的亮點。但由于當時粗糙的技術，使得Siri反應慢，出錯率高，不被大眾看好。而如今，具備人工智能特性的Siri已經會說36個國家的21種語言。而在智能汽車方面，Siri目前已經整合進奧迪、寶馬、克萊斯勒等全球9家知名汽車中。

4.2.2 Mircrosoft Cortana

2014年7月30日，微軟在Windows Phone 8.1 Update中國區發布會上正式發布了中文版Cortana，其中文命名為“微軟小娜”。

2016年12月，微軟在舊金山宣布，開放Cortana，使其能夠集成到智能音響、智能汽車、智能家電等硬件平臺上。

2018年8月，亞馬遜與微軟雙方各自完成了語音助手Alex和Cortana的整合。

4.2.3 百度小度

2015年9月，百度官方在百度世界大會發布了語音助手度秘。

2017年3月，百度官方在百度世界大會發布小度系統1.0（DuerOS1.0）。

在與第三方合作上，百度已經與中興、小米、聯想、索尼、網易游戲、比亞迪、特斯拉等企業建立了長久的合作關系。

5. 結論

借助云計算和大數據的發展，人工智能近年來發展迅猛。而在語音識別領域，研究者們也已經取得了不少成果，其背后潛在的巨大經濟效益也吸引了各國互聯網企業的注意，如今的語音識別技術雖然日趨成熟與完善，但仍然存在一定的難題，這就需要相關科研人員的努力。在計算機計算能力的進一步提升和5G通信普及的趨勢下，未來智能語音識別技術將會有令人意想不到的表現。