语音识别技术论文

《语音识别技术论文》由会员分享，可在线阅读，更多相关《语音识别技术论文（5页珍藏版）》请在装配图网上搜索。

1、摘要：语音识别技术是一门涉及面很广的交叉学科。随着新理论的提出和应用，语音识别 技术取得了很大的进步，许多产品已经得以实际的应用，但在其进一步的发展进程中，还有 许多棘手的问题有待解决。关键词：语音识别；动态时间规整算法；人工神经元网络1背景介绍语言是人类特有的功能，是人们思维最重要的寄托体，是人类交流最主要的途径。语音 是语言的声学表现，是人类交流信息最自然、最有效、最方便的手段。语言和语音与人类 社会科学文化发展紧密相连。语音识别技术是让机器接收，识别和理解语音信号，并将其转换成相应的数字信号的 技术。它是一门交叉学科，涉及到语音语言学、数理统计、计算机、信号处理等一系列学 科。2发展历史

2、1952年贝尔实验室的 Davis等人研制成功了能识别十个英文数字发音的Audry系统,标志着语音识别技术研究工作开始。20世纪60年代计提出了动态规划(Dynamicprogramming) 和线性预测分析技术(Liner Predictive )等重要成果。 20世纪70年代， 语音识别领域取得了突破。实现了基于线性预测倒谱和DTW技术的特定人孤立语音识别系统。20世纪80年代语音识别研究进一步走向深入，基于特定人孤立语音技术的系统研制成功，隐马尔可夫模型和人工神经元网络(Artificial Neural Network)在语音识别中的成功应用。进入20世纪90年代后语音识别系统开始从实

3、验室走向实用。我国对语音识别的 研究开始于20世纪80年代，近年来发展迅速，并取得了一系列的成果。3具体应用随着计算机技术、模式识别等技术的发展，适应不同场合的语音识别系统相继被开发 出来，语音识别及处理技术已经越来越突现出其强大的技术优势。近三十年来，语音识别 在计算机、信息处理、通信与电子系统、自动控制等领域的应用越来越广泛。在许多政府部门、商业机构，语音识别技术的应用，可免除大量操作人员的重复劳动， 既经济又方便。如：语音邮件、IP电话和IP传真、电子商务、自动语音应答系统、自动语音信箱、基于IP的语音、数据、视频的 CTI系统、综合语音、数据服务系统、自然语音 识别系统、专家咨询信息服

4、务系统、寻呼服务、故障服务、秘书服务、多媒体综合信息服 务、专业特别服务号(168自动信息服务系统，112、114、119等信息查询系统)等。许多 特定环境下，如工业控制方面，在一些工作环境恶劣、对人身有伤害的地方(如地下、深水及辐射、高温等)或手工难以操作的地方，均可通过语音发出相应的控制命令，让设备完成 各种工作。当今，语音识别产品不仅在人机交互中，占到的市场比例越来越大，而且在许多领域 都有了广阔的应用前景，在人们的社会生活中起着举足轻重的作用。4语音识别系统原理语音识别一般分为两个步骤：学习阶段和识别阶段。学习阶段的任务是建立识别基本 单元的声学模型以及语言模型。识别阶段是将输入的目标

5、语音的特征参数和模型进行比较, 得到识别结果。语音识别过程如图所示。下面对该流程作简单介绍：-可编辑修改-r ku *10番费分析1一 T”:I1谙音双剧r氨鬓伊Q-(1)语音采集设备如话筒、电话等将语音转换成模拟信号。(2)数字化一般包括预滤波、采样和 A/D变换。该过程将模拟信号转变成计算机能 处理的数字信号。(3)预处理一般包括预加重、加窗分帧。经预处理后的信号被转换成了帧序列的加 窗的短时信号。(4)参数分析是对短时信号进行分析，提取语音特征参数的过程，如时域、频域分 析，矢量量化等。(5)语音识别是目标语音根据特征参数与模型库中的参数进行匹配，产生识别结果 的过程。一般有模板匹配法、

6、随机模型法和神经网络等。(6)应用程序根据识别结果产程预定动作。(7)该过程是语音模型的学习过程。5现有算法介绍语音识别常用的方法有：模板匹配法、人工神经网络法。（1）模板匹配法是语音识别中常用的一种相似度计算方法。模板匹配法一般将语音 或单词作为识别单元，一般适用于词汇表较小的场合。在训练阶段，对用户语音进行特征 提取和特征维数的压缩，这个过程常用的方法是采用矢量量化（ VQ）技术。然后采用聚类 方法或其他方法，针对每个模式类各产生一个或几个模板。识别阶段将待识别的语音模式 的特征参数与各模板进行相似度的计算，将最高相似者作为识别结果。但由于用户在不同 时刻发同一个音的时间长度有较大随意性，

7、所以识别时必须对语音时间进行伸缩处理。研 究表明，简单的线性伸缩是不能满足要求的。由日本学者板仓在70年代提出的动态时间伸缩算法（DTW ）很好的解决了这一问题。DTW算法能够较好地解决小词汇量、孤立词识别时说话速度不均匀的难题。DTW算法示意图如图所示。设测试的语音参数共有 M帧矢量，而参考模板有 N帧矢量，且M/,则DTW就是 寻找一个时间归整函数 tn=f（tm）,它将测试矢量的时间轴 tm非线性地映射到模板的时间 轴tn上，并使该函数满足第 k帧（k=1 , 2,M）测试矢量I和第f（k）帧（f（k）=1,2N） 模板矢量J之间的距离测度之和最小：MDiKiance - mini另外，

8、在实际识别系统中，语音的起点或终点由摩擦音构成，环境噪声也比较大，语 音的端点检测会存在较大的误差。DTW算法起点点可以固定在（tm,tn）=（1 ,1）,称为固定起点；也可以选择在（1, 2）、（2, 1）等点，称为松驰起点。同样，中止点可以选择在（M,N）点，称为固定终点；也可以选择在 （N 1,M）、（N , M 1）等点，称为松弛终点。松弛的 DTW算法的起始点从（1, 1）、（1, 2）、（2, 1）等点中选择一最小值，终止点从 （M,N）、 （M,N-1）、（M-1,N）等点中选择一最小值，两语音样本之间的相互距离在相应的点放松后选 择一最小距离。松弛 DTW可以克服由于端点检测不

9、精确引起的误差，但运算量加大。（2）人工神经网络法。现实世界的语音信号会随着许多特征如：说话人语速、语调以及环境的变化而动态变化的，想要用传统的基于模板的方法建立一个适应动态变化的语 音识别系统是非常困难的。因此需要设计一个带有自学习能力的自适应识别系统，以便可 以适应语音的动态变化。人工神经网络由神经元、网络拓朴和学习方法构成。人工神经网络拓朴结构可分为反 馈型和非反馈型(前馈型)。学习方法可分为监督型和非监督型。各种人工神经网络模型 中应用得最典型的是采用反向传播(Back Propagation )学习算法的多层前馈网络。多层前馈型网络如图所示。除上述介绍的几种常用的方法外，还有许多其它

10、的识别方法以及改进算法。6尚未解决的问题及值得研究的方向(1)就算法模型方面而言，需要有进一步的突破。声学模型和语言模型是听写识别 的基础。目前使用的语言模型只是一种概率模型，还没有用到以语言学为基础的文法模型， 而要使计算机确实理解人类的语言，就必须在这一点上取得进展。(2)语音识别的自适应性也有待进一步改进。同一个音节或单词的语音不仅对随着 的讲话者的不同而变化，而且对同一个讲话者在不同场合，不同上下文环境中也会发生变化。这意味着对语言模型的进一步改进。(3)语音识别技术还需要能排除各种环境因素的影响。目前，对语音识别效果影响 最大的就是环境杂音或噪音。要在嘈杂环境中使用语音识别技术必须有

11、特殊的抗噪麦克风 才能进行，这对多数用户来说是不现实的。在公共场合中，如何让语音识别技术能有摒弃 环境嗓音并从中获取所需要的特定声音是一个艰巨的任务。虽然在短期内还不可能造出具有和人相比拟的语音识别系统，但在未来几年内，语音 识别系统的应用将更加广泛，各种语音识别系统产品将陆续进入我们的生活。语音识别各 个方面的技术正在不断地进步，一步步朝着更加智能化的方向发展。参考文献1 杨尚国，杨金龙.语音识别技术概述J.福建电脑，2006 , (8).2孙宁，孙劲光，孙宇.基于神经网络的语音识别技术研究J.计算机与数字工程, 2006.43 Phil Woodland. Speech Recogniti

12、on. Speech and Language Engineering-State of the Art (Ref. No. 1998/499).Morgan, N. Bourlard, H.A.Neural networks for statistical recognition of continuous speech. Proceedings of the IEEE Volume 83,Issue 5,May 1995 Page(s):742-772.-可编辑修改-THANKS !致力为企业和个人提供合同协议，策划案计划书，学习课件等等打造全网一站式需求欢迎您的下载，资料仅供参考-可编辑修改-