文档介绍：概述
语音识别(Speech Recognition)主要指让机器听懂人说的话,即在各种情况下,准确地识别出语音的内容,从而根据其信息,执行人的各种意图。它是一门涉及面很广的交叉学科,与计算机、通信、语音语言学、数理统计、信号处理、神经生理学、神经心理学和人工智能等学科都有着密切的关系。
一般语音识别系统按不同的角度有下面几种分类方法。
孤立词、连接词、连续语音识别系统以及语音理解和会话系统。
大词汇、中词汇和小词汇量语音识别系统。
特定人和非特定人语音识别系统。
语音识别所采用的方法也可以作为语音识别系统分类的依据,因此,也有从识别方法上来对语音识别系统进行分类的。语音识别方法一般有模板匹配法、随机模型法和概率语法分析法三种。
实用语音识别研究中存在的几个主要问题和困难如下:
(1)语音识别的一种重要应用是自然语言的识别和理解。
(2)语音信息的变化很大。
(3)语音的模糊性。
(4)单个字母及单个词语发音时语音特性受上下文环境的影响,使相同字母有不同的语音特性。
(5)环境的噪声和干扰对语音识别有严重影响。
语音识别原理和识别系统的组成
语音识别系统是建立在一定的硬件平台和操作系统之上的一套应用软件系统。
语音识别一般分两个步骤。第一步是系统“学****或“训练”阶段。第二步是“识别”或“测试”阶段。
语音识别技术加上各种外围技术的组合,才能构成一个完整的实际应用的语音识别系统。从语音识别系统的各个功能划分的角度出发,语音识别系统可分为语音信号的预处理部分、语音识别系统的核心算法部分以及语音识别系统的基本数据库等几部分。
一般语音识别系统框图

语音信号预处理部分包括:语音信号的电压放大、反混叠滤波、自动增益控制、模/数变换、去除声门激励及口唇辐射的影响等。这里仅对个别需要注意的地方做一些介绍。
话筒自适应和输入电平的设定:输入语音信号的品质对语音识别性能的影响很大,因此,对话筒的耐噪声性能要求很高。选择好的麦克风,不仅能提高输入语音质量,而且,还有助于提高整个系统的鲁棒性。为了保持高精度的语音分析,A/D变换的电平必需正确的设定。同时还要通过AGC来自动的调整输入电平放大的倍数或者通过对于输入数据进行规整处理来控制语音数据幅度的变化。
抗噪声:环境噪声不可能完全消除。对于手自由的语音识别(Hand-Free),话筒与嘴有一定距离的时候,以及在汽车里或户外等周围环境噪声大的时候必须对输入信号进行降噪处理。对于平稳噪声,传统的谱相减(SS)降噪声技术是有效的,对于非平稳噪声也有通过两个话筒分别输入语音和噪声相互抵消加以消除的方法。
语音区间的端点检测:端点检测的目的是从包含语音的一段信号中确定出语音的起点以及终点。有效的端点检测不仅能使处理时间减到最小,而且能排除无声段的噪声干扰,从而使识别系统具有良好的识别性能。传统的端点检测方法是将语音信号的短时能量与过零率相结合加以判断的。但这种端点检测算法如果运用不好,将会发生漏检或虚检的情况。为了克服传统端点检测算法的缺点,已有很多改进方法被提出来。例如,可以考虑采用基于相关性的语音端点检测算法。
语音参数分析:经过预处理后的语音信号,就要对其进行特征参数分析,其目的是抽取语音特征,以使在语音识别时类内距离尽量小,类间距离尽量大。识别参数可以选择下面的某一种或几种的组合:平均能量、过零数或平均过零数、频谱、共振峰、倒谱、线性预测系数、PARCOR系数(偏自相关系数)、声道形状的尺寸函数,以及音长、音高、声调等超声短信息函数。
现在,经过FFT变换或者LPC得到功率谱以后再经过对数变换和傅立叶反变换得到的倒谱参数是常用的语音识别特征参数。
语音识别
语音识别是语音识别系统的核心部分。除包括语音的声学模型以及相应的语言模型的建立、参数匹配方法、搜索算法、话者自适应算法,还包括增添新词的功能、数据库管理和友好的人机交互界面等等。
语音模型:语音模型一般指的是用于参数匹配的声学模型。语音声学模型的好坏对语音识别的性能影响很大,现在公认的较好的概率统计模型是HMM模型。因为HMM可以吸收环境和话者引起的特征参数的变动,实现非特定人的语音识别。
识别模型的基元单位的选择对于识别性能也有很大的影响。对于日语和英语,以半音节、环境依存音素为模型的研究例子较多。对于汉语,则可用“声母---韵母”,也可用音节字、词等识别基元。
连续语音的自动分段:连续语音的自动分段,是指从语音信号流中自动地分割出识别基元的问题。把连续的语音信号分成对应于各音的区间叫做分割(Segmentation),分割的结果产生的区间叫做分割区间(Segment),给分割区间付与表示音种的符号叫做符号化。汉语自动分段是指根据汉语特点及其参数的统计规律,设置某