语音智能与 自然语言处理 北京联合大学机器人学院 《人工智能概论》课程团队 语音识别的基本原理 讲解：彭涛 语音识别 让机器听懂人类的语音，这是人们长期以来梦寐 以求的事情。伴随着计算机技术的发展，语音识别在 人机交互应用中逐渐进入我们日常的生活，已经成为 人工智能领域的标志性技术之一。 语音识别技术以语音信号为研究对象，是语音信 号处理的一个重要研究方向。其最终目标是实现人与 机器进行自然语言通信。 语音机器人 Siri Cortana 语音识别的实现 声音实际上是一种波 常见的mp3、wmv等格式都是压缩格式，必须 转成非压缩的纯波形文件来处理，比如Windows PCM文件，也就是俗称的wav文件。wav文件里存 储的除了一个文件头之外，就是声音波形的一个 个点了。 在开始语音识别之前，有时需要把首尾端的静音 切除，降低对后续步骤造成的干扰。这个静音切除的 操作一般称为VAD，需要用到信号处理的一些技术。 要对声音进行分析，需要对声音分帧，也就是把 声音切开成一小段一小段，每小段称为一帧。 分帧操作一般不是简单的切开，而是使用移动窗 函数来实现。 语音识别的实现 帧与帧之间一般是有交叠的 每帧的长度为25毫秒，每两帧之间有25-10=15毫秒 的交叠。称为以帧长25ms、帧移10ms分帧。 分帧后，语音就变成了很多小段。但波形在时域上 几乎没有描述能力，因此必须将波形作变换。 语音识别的实现 语音识别的实现 常见的一种波形变换方法是提取MFCC特征，根据 人耳的生理特性，把每一帧波形变成一个多维向量，可 以简单地理解为这个向量包含了这帧语音的内容信息。 这个过程叫做声学特征提取。 在实际应用中，波形变换还有很多细星空体育登录入口 星空体育在线官网节，声学特征 除了MFCC之外，还有其它特征。 至此，声音就成了一个12行（假设声学特征是12 维）、N列的一个矩阵，称为观察序列，这里N为总 帧数。 观察序列如下图所示，图中，每一帧都用一个12 维的向量表示，色块的颜色深浅表示向量值的大小。 语音识别的实现 语音识别就转换为把这个矩阵转变为文本 音素：单词的发音由音素构成。对英语，一种常用 的音素集是卡内基—梅隆大学的一套由39个音素构成的 音素集（TheCMUPronouncingDictionary）。汉语一般 直接用全部声母和韵母作为音素集。另外，汉语识别还 分有音调和无音调。 状态：比音素更细致的语音单位。 关系：若干帧语音对应一个状态，每三个状态组合成 一个音素，若干个音素组合成一个单词。 语音识别的实现 语音识别具体是如何实现的呢？ 其实就是下面的三个步骤： 1.把帧识别成状态； 2.把状态组合成音素； 3.把音素组合成单词。 语音识别的实现 每个小竖条代表一帧，若干帧语音对应一个状 态，每三个状态组合成一个音素，若干个音素组合 成一个单词。 如果知道了每帧语音和哪个状态相对应，就完 成了语音的识别。 语音识别的实现 如何判断每帧音素和哪个状态相对应呢？ 直观的办法就是，看某帧对应哪个状态的概率最大， 那么这帧就属于这个状态。 例如，在下图中，P(os 1 )表示给定了状态s 1， 该状 态发音为o的概率值。由于这帧对应s 3 状态的概率最大， 因此就让这帧对应于s 3 状态。 语音识别的实现 如何获得每种状态对应的帧呢？ 声学模型（acousticmodel，AM）：包含了大量的 参数，通过这些参数，就可以知道帧和状态对应的概率。 一般通过“训练”来获取这些参数的值。 训练声学模型时，需要使用巨大数量的语音数据， 训练的方法比较繁琐，非常耗时，也会使用大量的计算 资源。 语音识别的实现

　　中国红十字会救护师资培训理论考试示范试卷 完整版完整版724545221