語音信號處理中的識別技術

王雯婕

摘要：隨著機器學習領域深度學習研究，以及大數據語料的積累，語音識別技術得到突飛猛進的發展，開始從實驗室走向市場。語音識別技術已經逐漸進入工業、家電、通信、汽車電子、醫療、家庭服務、消費電子產品等各個領域。本文主要分析和總結了當前幾種具有代表性的語音識別方法，介紹了其中關鍵的語音信號處理和語言模型建立的方法，最后總結了目前語音識別技術領域的研究成果及進展。

關鍵詞：語音識別;信號處理;機器學習;人工智能;概率統計

1研究背景

語音信號處理，主要包括三項技術，即語音識別、語音編碼和語音合成。本文所研究的自動語音識別技術，就是讓機器通過識別和理解把語音信號轉變為相應的文本或命令的高技術。70年代，語音識別技術有了重大突破，動態時間規整技術基本成熟，使語音變得可以等長，另外，矢量量化和隱馬爾科夫模型理論也不斷完善，為之后語音識別的發展做了鋪墊;80年代對語音識別的研究更為徹底，各種語音識別算法被提出，其中的突出成就包括HMM模型人工神經網絡;目前許多國內外知名研究機構，如微軟、訊飛、Google、IBM都積極開展對深度學習的研究。現在，國內有不少語音識別系統已研制成功。這些系統的性能各具特色——在孤立字大詞匯量語音識別方面，最具代表性的要數92年清華大學電子工程系與中國電子器件公司合作研制成功的THED-919特定人語音識別與理解實時系統[4]? 。

2語音識別技術

2.1? 語音信號采集

語音信號采集是語音信號處理的前提。語音通常通過話筒輸入計算機。話筒將聲波轉換為電壓信號，然后通過A/D裝置（如聲卡）進行采樣，從而將連續的電壓信號轉換為計算機能夠處理的數字信號。目前多媒體計算機已經非常普及，聲卡、音箱、話筒等已是個人計算機的基本設備。其中聲卡是計算機對語音信號進行加工的重要部件，它具有對信號濾波、放大、A/D和D/A轉換等功能。而且，現代操作系統都附帶錄音軟件，通過它可以驅動聲卡采集語音信號并保存為語音文件。

2.2? 語音信號預處理

語音信號號在采集后首先要進行濾波、A/D變換，預加重和端點檢測等預處理，然后才能進入識別、合成、增強等實際應用。濾波的目的有兩個：一是抑制輸入信號中頻率超出FS/2的所有分量（FS為采樣頻率），以防止混疊干擾;二是抑制50Hz的電源工頻干擾。因此，濾波器應該是一個帶通濾波器。A/D變換是將語音模擬信號轉換為數字信號。A/D變換中要對信號進行量化，量化后的信號值與原信號值之間的差值為量化誤差，又稱為量化噪聲。預加重處理的目的是提升高頻部分，使信號的頻譜變得平坦，保持在低頻到高頻的整個頻帶中，能用同樣的信噪比求頻譜，便于頻譜分析。

2.3? 語音信號的特征參數提取

1、短時平均能量En和短時平均幅度

短時平均能量和的短時平均幅度主要用途如下：

（1）???? 可以作為區分清音和濁音的特征參數。

（2）???? 在信噪比較高的情況下，短時能量還可以作為區分有聲和無聲的依據。

（3）???? 可以作為輔助的特征參數用于語音識別中。

2、短時平均過零率

短時平均過零率的應用：可以作為區分清音和濁音的特征參數。清音過零率高，濁音過零率低。用兩級判決法進行語音端點檢測。

短時平均過零率的局限性：濁音和清音重疊區域只根據短時平均過零率不可能明確地判別清、濁音。

3、短時自相關分析

4、短時平均幅度差函數

5、基音周期估值

語音的濁音信號具有準周期性，其自相關函數在基音周期的整數倍處取最大值。計算兩相鄰最大峰值間的距離，就可以估計出基音周期。為了突出反映基音周期的信息，同時壓縮其他無關信息，減小運算量，自相關計算之前需要對語音信號進行適當預處理。

6、線性預測系數

在語音識別中，常用線性預測編碼技術抽取語音特征。線性預測編碼的基本思想是：語音信號采樣點之間存在相關性，可用過去的若干采樣點的線性組合預測當前和將來的采樣點值。線性預測系數是以通過使預測信號和實際信號之間的均方誤差最小來唯一確定。語音線性預測系數作為語音信號的一種特征參數，已經廣泛應用于語音處理各個領域。

2.4? 語音識別的主要方法

語音識別所采用的方法一般有模板匹配法、隨機模型法和概率語法分析法三種。這三種方法都是建立在最大似然決策貝葉斯（Bayes）判決的基礎上的。

（1）模板（template）匹配法

在訓練階段，用戶將詞匯表中的每一個詞依次說一遍，并且將其特征向量作為模板存入模板庫。在識別階段，將輸入語音的特征向量序列，依次與模板庫中的每個模板進行相似度比較，將相似度最高者作為識別結果輸出。

（2）?? 隨機模型法

隨機模型法是目前語音識別研究的主流。其突出的代表是隱馬爾可夫模型。語音信號在足夠短的時間段上的信號特征近似于穩定，而總的過程可看成是依次相對穩定的某一特性過渡到另一特性。隱馬爾可夫模型則用概率統計的方法來描述這樣一種時變的過程。

（3）?? 概率語法分析法

這種方法是用于大長度范圍的連續語音識別。語音學家通過研究不同的語音語譜圖及其變化發現，雖然不同的人說同一些語音時，相應的語譜及其變化有種種差異，但是總有一些共同的特點足以使他們區別于其他語音，也即語音學家提出的“區別性特征”。

除了上面的三種語音識別方法外，還有許多其他的語音識別方法。例如，基于人工神經網絡的語音識別方法，是目前的一個研究熱點。目前用于語音識別研究的神經網絡有BP神經網絡、Kohcmen特征映射神經網絡等，特別是深度學習用于語音識別取得了長足的進步。

3結束語

本文簡要介紹了語音識別的主要方法以及語音識別領域的發展與現狀，將語音識別的各個過程進行了詳細介紹和概括總結，分析了各種語音識別方法的特點和實現方式。語音識別是一門交叉學科，它涉及到信號處理、模式識別、概率論和信息論、發聲機理和聽覺機理、人工智能等等方面的知識，所以它的發展依賴于各個領域的技術創新進步。相信在不久的將來，語音識別技術一定會在語音交互、語音檢索、命令控制、自動客戶服務、機器自動翻譯等領域得到廣闊的應用。

參考文獻：

[1]?? 趙力.語音信號處理[M].北京：機械工業出版社，2011.

[2]?? George Dahl、俞棟等.基于預訓練的上下文相關深層神經網絡的大詞匯語音識別.2012