語音識別技術(shù)在智能家居領(lǐng)域應(yīng)用

梁海珍

（廣州市高級技工學校 廣東省廣州市 510800）

1 人機語音識別技術(shù)研究背景

眾所周知，最近這幾年剛剛發(fā)展起來的人機溝通、指紋識別、人臉識別等技術(shù)，很大程度上促進了機器對人類的行為方式以及人類語言的理解。而人機交互技術(shù)給人們帶來的生活方式的改變、生活質(zhì)量的提升，使計算機技術(shù)和互聯(lián)網(wǎng)技術(shù)逐漸被越來越多的人所接納。自從人們發(fā)明鍵盤、鼠標以后，各種高科技技術(shù)例如：小愛同學、Siri、人臉識別、指紋識別技術(shù)等應(yīng)運而生，使得人機交互的形式發(fā)生了極大的變化，真正使得計算機科學和互聯(lián)網(wǎng)技術(shù)進入千家萬戶、讓我們的生活變得更加多姿多彩。

2 人機語音識別技術(shù)的應(yīng)用現(xiàn)狀

2.1 智能機器人

生活中我們常見的人機交互產(chǎn)品可以在感受、思維和反應(yīng)等方面全方位無死角的模擬人類的身體語言，盡管他還達不到人類的那種精確的水平，可是它能夠完全行自我控制，因此從某種程度上來說它可以被稱為真正意義上的機器人，它的控制系統(tǒng)的中樞就是中央處理器，以及各種類型的傳感器，其中語音識別技術(shù)在整個技術(shù)鏈條中占據(jù)了重要地位。在當今社會的發(fā)展背景下，機器人在我們的生產(chǎn)生活中應(yīng)用已經(jīng)非常廣泛了，無論是在農(nóng)業(yè)、工業(yè)、手工業(yè)、醫(yī)學等各個領(lǐng)域都應(yīng)用廣泛，并在此基礎(chǔ)上形成了獨立的專業(yè)學科。目前機器人行業(yè)已經(jīng)成為了現(xiàn)代高科技發(fā)展的一個熱門行業(yè)，它的發(fā)展水平很大程度代表了一個國家的工業(yè)競爭力的大小，逐步與我們的生活接軌，進入千家萬戶。

2.2 能音箱-天貓精靈

在智能機器人之后，逐步映入大眾眼簾并且進入千家萬戶的智能交互產(chǎn)品就是智能音箱了，同那些傳統(tǒng)的播放音箱相比，智能音箱的功能令人眼花繚亂，這些功能之所以能夠?qū)崿F(xiàn)，其中首要的原因就是互聯(lián)網(wǎng)技術(shù)的發(fā)展，以及后續(xù)各種人工智能技術(shù)的快速發(fā)展，智能音箱與智能機器人也有很多相似之處，其中最主要的就是它們都應(yīng)用到了人機交互中的語音識別技術(shù)，所以當我們對它發(fā)出指令時，他會很好理解我們的指令并且很好執(zhí)行，智能音箱之所以成為智能音箱，是因為當我們對它發(fā)出指令它會理解指令并輸送給控制中心，控制中心控制它進行以下幾種行為：

（1）在線音樂播放功能：這是音箱的核心功能。例如：線上播放音樂，線上收聽新聞聯(lián)播與知曉股票最近狀況等。

（2）語音溝通功能：例如：線上會談、智能手機短信的發(fā)送與接收、學前教育、陪伴老人等。

（3）管理個人生活的功能：例如：設(shè)鬧鈴、查找有用信息等。

（4）智能控制各種家電的功能：即通過智能音箱來控制各種家居用品。

（5）其它線上服務(wù)功能：利用智能音箱結(jié)合各種手機應(yīng)用程序進行更多語音服務(wù)，例如：語音購物功能，手機充話費功能，甚至可以語音叫外賣、滴滴打車等。

3 語音識別技術(shù)中存在的問題

3.1 成本問題

大規(guī)模的智能產(chǎn)品的生產(chǎn)有助于科研成果向市場轉(zhuǎn)化，帶動經(jīng)濟發(fā)展和推動提升人民生活水平。盡管我國目前的人工智能識別在技術(shù)方面已經(jīng)比較成熟，但是其產(chǎn)品的成本普遍較高，而且產(chǎn)品自身的功能價值與價格、成本不相匹配，如此一來就限制了人工智能識別技術(shù)的應(yīng)用。比如以智能家電為例，現(xiàn)在不少智能家電都運用了語音識別系統(tǒng)，方便用戶通過語音指令對家電進行控制，可是價格和傳統(tǒng)家電相比普遍偏高，導致其難以成為家電市場的主流消費，尤其是在這個智能手機占據(jù)主流市場的時代，各種智能家電市場的蕭條也就可以理解。

3.2 可靠性問題

目前人工智能識別技術(shù)的可靠性有待提高。盡管目前一些產(chǎn)品造型獨特、功能創(chuàng)新，但是在具體使用過程中的體驗感和實用性卻不好，難以滿足用戶的真正需求，以人臉識別系統(tǒng)為例，即便這項技術(shù)在當今時代的應(yīng)用已經(jīng)相當廣泛，但是對人臉位置、光線等條件的要求依然比較高，而且識別過程往往比較麻煩，甚至常常出現(xiàn)無法識別的情況，一些功能強大的人臉識別系統(tǒng)，體積比較大，價格比較高，也難以實現(xiàn)普及，限制了人工智能識別技術(shù)的進一步發(fā)展。

（1）語音識別在環(huán)境比較嘈雜的情況下，識別效率很低，語音助手很難分辨和翻譯出來相應(yīng)的語音；

（2）在公共場所進行語音識別的時候，涉及到的個人隱私問題很可能會暴露；

（3）語音指示的識別程度受很多方面因素的影響，在識別水平和正確率上不如直接打字或觸控操作快捷；

（4）語音識別的局限性主要在語音來源的廣泛性，據(jù)不完全統(tǒng)計，全世界總共有1000 多種語言，而經(jīng)常使用的語言就有數(shù)十種之多，語言識別技術(shù)對各種語言的適應(yīng)是需要長期發(fā)展的。類似于中文中的四川方言、廣東方言、上海方言，這幾種方言的使用頻率特別高，這些當?shù)氐恼Z言在語言發(fā)音如詞匯和字符的發(fā)音上都與以往所接觸的語言有所不同，讓語音識別系統(tǒng)盡快適應(yīng)各種地方的語言是迫在眉睫的問題。

（5）連續(xù)說話識別、停頓識別。生活中，由于一些人養(yǎng)成了某些習慣，導致會反復說出某個詞匯。面對這些問題，就要加強端點檢測技術(shù)中端點選取準確度，摒棄語音中的空隙，讓這些磕磕絆絆的話變成一段連續(xù)的話。我們在處理這些語音信號時，可以對一些反反復復出現(xiàn)的語言進行恰當?shù)膭h減，提升語音識別的速度。

4 語音識別技術(shù)應(yīng)用-智能音箱

4.1 智能音箱的前世今生

最近這幾年，幾乎家家戶戶都有一個智能音箱，這使得國內(nèi)和國外掀起了一股智能音箱的使用潮流。與普通的傳統(tǒng)音箱相比，智能音箱的功能比較全面，不但可以播放音樂、連接藍牙，還可以與我們進行語音交流、播放視頻等等。2015年京東推出國內(nèi)第一款智能音箱“叮咚”，這是我國最早也是應(yīng)用最廣泛的智能音箱，從那以后，智能音箱產(chǎn)品如同雨后春筍般發(fā)展起來。據(jù)不完全統(tǒng)計，在2017年12月底，全國從事智能音箱生產(chǎn)的廠家就有上千家，僅僅在深圳這一個城市中，就有112 家智能音箱的供應(yīng)商。2017年，阿里巴巴的達摩院推出了第一款智能音箱產(chǎn)品-天貓精靈，他通過在自己的電商頻道進行銷售和展示，在雙11 當天就賣出了100 萬臺左右。從那以后，智能音箱的銷售市場幾乎都被阿里巴巴的天貓精靈所壟斷，而小米公司同樣不甘落后，迅速推出“小愛同學”，并且不斷對小愛同學進行升級改造和更新?lián)Q代，所以國內(nèi)智能音箱市場的三足鼎立局面初步形成。

4.2 智能音箱中的交互原理概述

人發(fā)出指令—音箱對聲音處理識別—傳輸服務(wù)器作出相應(yīng)回應(yīng)—傳回到其功能載體—得出結(jié)果—產(chǎn)品開始運行。語音交互技術(shù)在當今時代潮流的大背景下發(fā)展，智能音箱的誕生給人們的生活帶來了極大的便利，使得人與冰冷的機器建立了聯(lián)系，更加重要的一點就是智能音箱產(chǎn)品的各種功能也將物體和物體之間也聯(lián)系了起來。智能二字主要體現(xiàn)在兩個方面，第一個方面就是可以連接無線網(wǎng)，然后與人類進行語音交互、溝通；第二個方面就是可以隨心所欲的播放音樂、互聯(lián)網(wǎng)技術(shù)的應(yīng)用以及我們?nèi)粘Ｉ钪械目刂颇芰?，對我們的家居方式進行語音控制，智能音箱的靈魂就是人機語音交互技術(shù)，這也是其中最關(guān)鍵的一項技術(shù)，所以說各種智能產(chǎn)品基本上都可以利用語音作為媒介來控制其產(chǎn)品。

4.3 智能音箱中的關(guān)鍵技術(shù)

當我們說了一段話之后，智能音箱首先要收到這種信號。其中，麥克風列陣技術(shù)就應(yīng)運而生了，我們常見的音箱中大概有7 到8 個麥克風，這就使得智能音箱可以從任意方向接收語音信息中的語音信號，以及來消除各種噪音所帶來的影響。在這之后就需要對我們所收到的語音信號進行處理，使得機器可以理解接收的信號，這里就用到了自然語言處理技術(shù)和語音識別技術(shù)。然后智能音箱需要對所接受和處理的結(jié)果再一次進行合成語音信號，語音合成技術(shù)也就應(yīng)運而生了。在這三項關(guān)鍵技術(shù)當中，最關(guān)鍵的就是語音識別技術(shù)，這里所運用到的語音識別技術(shù)特別復雜，綜合了多門學科，如果我們想要搞懂語音識別技術(shù)的話，就需要認真理解語音識別技術(shù)的各個步驟，這里主要從三個步驟來介紹。

4.3.1 預(yù)處理技術(shù)

當說話人發(fā)出語音信息時，周圍環(huán)境中的雜音影響會非常大。因此，第一步任務(wù)就是需要把這些干擾音頻去掉，據(jù)我所知語音信號的頻率會在某個范圍內(nèi)波動，這樣的話我們可以采用抗混疊濾波的方法使語音信號頻域分析上的靜音區(qū)段和雜音區(qū)段與攜帶有效信息的語音信號區(qū)段進行區(qū)別，模擬信號與此同時可以向數(shù)字信號進行轉(zhuǎn)變。另外，因為一段語音信號中的有用信號的功率很小，無用信號的功率很大，因此無用信號占了輸入的很大比例。因此，我們需要對目標語音信號來進行預(yù)加重處理，目的是提高目標信號的能量值，根本上就是提高振幅方便與雜音區(qū)分開來。端點檢測是其中的重要步驟，當我們發(fā)出一段語音信息時，其中必不可少會摻雜一些噪音，而真正有用的語音信號卻只存在一小段區(qū)間當中。進行端點檢測的目的就是為了確定語音信號的最初位置，避免其他干擾信號的混合進來，短時平均幅度與短時平均過零率是兩種端點檢測的常用算法。

4.3.2 特征提取技術(shù)

當我們拿到一段語音信號之后進行的下一個步驟就是特征提取，這項技術(shù)的靈魂是把所接收到的語音信號分成多個區(qū)段，然后把具有實際意義的特征參數(shù)提取出來，之后再進行統(tǒng)計。那么提取出來的這段有用的信號就可以代表你所發(fā)出的那段語音信息的信息量之和。因為舍去了不必要的區(qū)段，所以說特征提取技術(shù)往往也會被很多人稱為數(shù)據(jù)壓縮，這也簡化了之后的計算量，特征提取的基礎(chǔ)是隱馬可夫模型，在隱馬而可夫模型中，含有不可見的未知參數(shù)，特征提取技術(shù)中，這些未知參數(shù)就是指語音信號中所含有的語義信息，所以說特征提取技術(shù)是語音識別技術(shù)中的重要環(huán)節(jié)。

4.3.3 訓練及識別技術(shù)

目前我們所接觸到的智能音箱產(chǎn)品中，語音識別的精確度還是比較高的，這是建立在大量訓練的條件下完成的。在實驗室階段，語音識別網(wǎng)絡(luò)會經(jīng)歷大量的訓練，這種訓練就類似于對計算機的訓練，只有反反復復不斷進行訓練，然后再進行數(shù)據(jù)統(tǒng)計，才會得到正確的結(jié)果，這樣做可以使計算機不需要真正深入理解自然語言也可以實現(xiàn)人與機器之間的交流互動。深度學習是這種訓練中必不可少的部分，它是人工智能的發(fā)展的重中之重，深度學習的特點就是，運算次數(shù)多，處理信息的次數(shù)多，在深度學習當中，任意一層所得到的結(jié)果將會作為下一層的輸入來使用，這樣循環(huán)下去就達到了深度的效果。但是在實際應(yīng)用當中，深度學習的層數(shù)還要加以控制，如果層數(shù)太少的話那么深度學習的效果就會變差。層數(shù)過多也會導致計算繁瑣，效率低下。深度學習在語音識別網(wǎng)絡(luò)中，主要是學習語音信號的特征，之后再與互聯(lián)網(wǎng)中的數(shù)據(jù)進行比對，最后再得出計算結(jié)果。

5 總結(jié)

通過以上分析我們可以清晰的了解到，人工智能語音識別技術(shù)作為一種剛剛崛起不久的高科技技術(shù)，雖然它出現(xiàn)的時間不太長，但是在20 世紀50年代左右關(guān)于計算機理解人類思維和意識的想法就已經(jīng)被提出了，但是因為當時技術(shù)水平的發(fā)展相對落后，導致其研究并不順利。一直到20 世紀中后期，計算機中各種應(yīng)用技術(shù)才趨于成熟，人工智能識別技術(shù)的研究才取得了較大進步，并逐漸滲透于人們的生活與工作。為了更好的滿足現(xiàn)代社會實際生產(chǎn)與工作的需要，最初是在語音識別領(lǐng)域運用人工智能識別技術(shù)，主要是借助智能化的語音識別來方便人們的工作與生活，比如智能手機中的語音助手。在智能識別技術(shù)后續(xù)的發(fā)展中，其應(yīng)用的范圍和領(lǐng)域不斷擴大，比如在指紋識別、聲音識別、人臉識別以及條形碼識別、智能卡識別等方面，其發(fā)展日趨成熟，給人們的生活帶來了更多的便利。