讓機器聽懂人聲,這是人們長久以來的夢想。語音識別是一門交叉學(xué)科,涉及多學(xué)科研究領(lǐng)域。不同領(lǐng)域的研究成果為語音識別的發(fā)展做出了貢獻。語音識別技術(shù)是一種高科技,它可以讓機器通過識別和理解的過程將語音信號轉(zhuǎn)換成相應(yīng)的文本或命令。
計算機語音識別過程與人類語音識別過程基本相同。當前主流的語音識別技術(shù)是基于統(tǒng)計模式識別的基本理論。一個完整的語音識別系統(tǒng)大致可以分為三個部分:
(1)語音特征提?。耗康氖菑恼Z音波形中提取隨時間變化的語音特征序列。
(2)聲學(xué)模型與模式匹配(識別算法):聲學(xué)模型是識別系統(tǒng)的底層模型,也是語音識別系統(tǒng)中關(guān)鍵的部分。聲學(xué)模型通常是從獲得的語音特征中訓(xùn)練生成的,目的是為每個發(fā)音建立一個發(fā)音模板。在識別過程中,將未知語音特征與聲學(xué)模型(模式)進行匹配和比較,計算未知語音的特征向量序列與每個發(fā)音模板的距離。聲學(xué)模型的設(shè)計與語言發(fā)音的特點密切相關(guān)。聲學(xué)模型單元大小對語音訓(xùn)練數(shù)據(jù)的大小、語音識別系統(tǒng)的識別率和靈活性有很大影響。
(3)語義理解:計算機對語音識別結(jié)果的語法和語義進行分析。理解語言的含義,以便做出相應(yīng)的反應(yīng)。它通常是通過語言模型來實現(xiàn)的。
語音識別技術(shù)的應(yīng)用:語音識別過程實際上就是一個識別過程。就像人們在聽語音時,不會將語音與語言的語法結(jié)構(gòu)和語義結(jié)構(gòu)分開,因為當語音的發(fā)音模糊時,人們可以利用這些知識來指導(dǎo)理解語言的過程。對于機器來說,語音識別系統(tǒng)也需要使用這些知識,但鑒于語音信號的可變性、動態(tài)性和瞬態(tài)性,語音識別技術(shù)與人腦仍有一定差距。因此,在語音識別技術(shù)的選擇、應(yīng)用模式和系統(tǒng)開發(fā)等方面都需要專業(yè)的設(shè)計和調(diào)試,以達到良好的應(yīng)用效果。