首頁>>>技術>>>語音應用>>>語音識別(ASR)　　語音識別產(chǎn)品

語音識別的發(fā)展現(xiàn)狀

俞鐵城 2005/03/03

語音識別基礎

　　讓機器聽懂人類的語音，這是人們長期以來夢寐以求的事情。語音識別是一門交叉學科，關系到多學科的研究領域，不同領域上的研究成果都對語音識別的發(fā)展作了貢獻。
語音識別技術就是讓機器通過識別和理解過程把語音信號轉變?yōu)橄鄳奈谋净蛎畹母呒夹g。

　　計算機語音識別過程與人對語音識別處理過程基本上是一致的。目前主流的語音識別技術是基于統(tǒng)計模式識別的基本理論。一個完整的語音識別系統(tǒng)可大致分為三部分：

　　（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）聲學模型與模式匹配（識別算法）：聲學模型是識別系統(tǒng)的底層模型，并且是語音識別系統(tǒng)中最關鍵的一部分。聲學模型通常由獲取的語音特征通過訓練產(chǎn)生，目的是為每個發(fā)音建立發(fā)音模板。在識別時將未知的語音特征同聲學模型（模式）進行匹配與比較，計算未知語音的特征矢量序列和每個發(fā)音模板之間的距離。聲學模型的設計和語言發(fā)音特點密切相關。聲學模型單元大小（字發(fā)音模型、半音節(jié)模型或音素模型）對語音訓練數(shù)據(jù)量大小、系統(tǒng)識別率，以及靈活性有較大影響。

　�。�3）語義理解：計算機對識別結果進行語法、語義分析。明白語言的意義以便作出相應的反應。通常是通過語言模型來實現(xiàn)。

語音識別技術的應用

　　語音識別過程實際上是一種認識過程。就像人們聽語音時，并不把語音和語言的語法結構、語義結構分開來，因為當語音發(fā)音模糊時人們可以用這些知識來指導對語言的理解過程。對機器來說，識別系統(tǒng)也要利用這些方面的知識，只是鑒于語音信號的多變性、動態(tài)性、瞬時性，語音識別技術與人類的大腦還有一定的差距。因此在語言識別技術選擇，其應用模式和系統(tǒng)開發(fā)上，都需要專業(yè)的設計和調試，以實現(xiàn)最好的應用效果。

　　1996年9月，Charles Schwab開通了首個大規(guī)模商用語音識別應用系統(tǒng)：股票報價系統(tǒng)。該系統(tǒng)有效地提高了服務質量和客戶滿意度，并減少了呼叫中心的費用。不久，Schwab又開通了語音股票交易系統(tǒng)。

　　美國主要電信運營商Sprint的PCS部門以卓越和有創(chuàng)新的客戶服務著稱。自2000年來為客戶開通了語音驅動系統(tǒng)，提供客戶服務、語音撥號、查號和更改地址等業(yè)務。2001年9月開通的可以自然方式對話的咨詢系統(tǒng)，更實現(xiàn)了以自然、開放的詢問方式實時獲得所需要的信息。

　　Bell Canada，加拿大最大的電信運營商，也擁有多個語音驅動系統(tǒng)，提供從客戶服務，增值業(yè)務和資訊服務多種功能。這些系統(tǒng)不但減少了用戶的投訴，也為無線網(wǎng)絡服務增值，增強了客戶的忠誠度并開辟了新的收入來源。

　　仔細分析這些案例不難發(fā)現(xiàn)，一個成功的語音應用首先是基于詳細準確的用戶需求調查。只有詳細了解客戶需求，才能根據(jù)需要選用不同類型的產(chǎn)品。目前市場上的語音識別產(chǎn)品基本可分為：

　　特定人/非特定人：是按照聲學模型建立的方式來劃分。特定人識別的聲學模型是針對某一特定用戶訓練的。一般來說用戶需要先訓練系統(tǒng)，然后才能識別該用戶的發(fā)音。而非特定人識別的聲學模型是針對某一種特定的語言來訓練的，發(fā)音人不需要訓練既可使用。雖然在建立模型時需要大量的語料，對用戶來說卻提供了更大方便，他們甚至不需要了解該過程。

　　嵌入式/服務器模式：嵌入式是將語言識別軟件及模型，寫在設備(如手機)的存儲器里，識別過程在終端完成。在服務器模式，終端只負責收集和傳導語音信號，由服務器負責完成識別。因此，對于大規(guī)模，多用戶和有大量識別需求的系統(tǒng)，服務器模式提供了有效的方式。

　　目前運營商和企業(yè)用戶的需求多數(shù)適合采用非特定人服務器模式的服務。例如上面提到的Charles Schwab，SprintPCS和Bell Canada都選用了Nuance Communications提供的語音識別軟件。加之專業(yè)的系統(tǒng)集成方案及Nuance技術服務所提供的良好的語音用戶界面設計和后期優(yōu)化，使得應用系統(tǒng)獲得了很高的客戶滿意度。在很多方面超過了接線員。

語音識別應用系統(tǒng)的相關技術

　　在語音識別應用領域，有許多相關技術直接影響著客戶的最終體驗并關系到應用系統(tǒng)的使用效果，也就是自動化率（automation rate），即系統(tǒng)毋須人工干預獨自完成的比例。例如端點檢測及相關問題，噪音環(huán)境下的語音處理，系統(tǒng)結構，對口音的適應性及語音界面的設計，都是語音識別整體應用系統(tǒng)需要考慮的。在本系列隨后文章中，將分別為就這些問題作一些介紹。后面稿件，我們會圍繞語音識別應用涉及的相關技術進行介紹。

通訊世界(www.tele.com.cn)

相關鏈接:
聽話要聽音—情感語音處理技術 2005-02-04
"得意"口語對話系統(tǒng)開發(fā)包與"得意"智能互動信息服務 2004-11-25
"得意"聲紋識別技術常見問題解答 2004-11-25
語音技術應用的現(xiàn)狀和未來 2004-09-30
“得意”聲紋加密鑰匙常見問題解答 2004-08-31

分類信息:     文摘   技術_語音識別_文摘