语音识别技术:是让机器通过识别和理解过程把语音信号转变为相应的文本或命令的高级技术。语音识别以语音为研究对象,它是语音信号处理的一个重要研究方向,是模式识别的一个分支,涉及到生理学、心理学、语言学、计算机科学以及信号处理等诸多领域,甚至还涉及到人的体态语言(如人在说话时的表情、手势等行为动作可帮助对方理解),其最终目标是实现人与机器进行自然语言通信。

　　不同的语音识别系统,虽然具体实现细节有所不同,但所采用的基本技术相似,一个典型语音识别系统主要包括特征提取技术、模式匹配准则及模型训练技术三个方面。此外,还涉及到语音识别单元的选取。

　　选择识别单元是语音识别研究的第一步。语音识别单元有单词(句)、音节和音素三种,具体选择哪一种,由具体的研究任务决定。

　　单词(句)单元广泛应用于中小词汇语音识别系统,但不适合大词汇系统,原因在于模型库太庞大,训练模型任务繁重,模型匹配算法复杂,难以满足实时性要求。

　　音节单元多见于汉语语音识别,主要因为汉语是单音节结构的语言,而英语是多音节,并且汉语虽然有大约1300个音节,但若不考虑声调,约有408个无调音节,数量相对较少。因此,对于中、大词汇量汉语语音识别系统来说,以音节为识别单元基本是可行的。

　　音素单元以前多见于英语语音识别的研究中,但目前中、大词汇量汉语语音识别系统也在越来越多地采用。原因在于汉语音节仅由声母(包括零声母有22个)和韵母(共有28个)构成,且声韵母声学特性相差很大。实际应用中常把声母依后续韵母的不同而构成细化声母,这样虽然增加了模型数目,但提高了易混淆音节的区分能力。由于协同发音的影响,音素单元不稳定,所以如何获得稳定的音素单元,还有待研究。

　　语音信号中含有丰富的信息,但如何从中提取出对语音识别有用的信息呢?特征提取就是完成这项工作,它对语音信号进行分析处理,去除对语音识别无关紧要的冗余信息,获得影响语音识别的重要信息。对于非特定人语音识别来讲,希望特征参数尽可能多的反映语义信息,尽量减少说话人的个人信息(对特定人语音识别来讲,则相反)。从信息论角度讲,这是信息压缩的过程。

　　线性预测(LP)分析技术是目前应用广泛的特征参数提取技术,许多成功的应用系统都采用基于LP技术提取的倒谱参数。但线性预测模型是纯数学模型,没有考虑人类听觉系统对语音的处理特点。

　　Mel参数和基于感知线性预测(PLP)分析提取的感知线性预测倒谱,在一定程度上模拟了人耳对语音的处理特点,应用了人耳听觉感知方面的一些研究成果。实验证明,采用这种技术,语音识别系统的性能有一定提高。

　　也有研究者尝试把小波分析技术应用于特征提取,但目前性能难以与上述技术相比,有待进一步研究。

　　模型训练是指按照一定的准则,从大量已知模式中获取表征该模式本质特征的模型参数,而模式匹配则是根据一定准则,使未知模式与模型库中的某一个模型获得最佳匹配。

　　语音识别所应用的模式匹配和模型训练技术主要有动态时间归正技术(DTW)、隐马尔可夫模型(HMM)和人工神经元网络(ANN)。

　　DTW是较早的一种模式匹配和模型训练技术,它应用动态规划方法成功解决了语音信号特征参数序列比较时时长不等的难题,在孤立词语音识别中获得了良好性能。但因其不适合连续语音大词汇量语音识别系统,目前已被HMM模型和ANN替代。

　　HMM模型是语音信号时变特征的有参表示法。它由相互关联的两个随机过程共同描述信号的统计特性,其中一个是隐蔽的(不可观测的)具有有限状态的Markor链,另一个是与Markor链的每一状态相关联的观察矢量的随机过程(可观测的)。隐蔽Markor链的特征要靠可观测到的信号特征揭示。这样,语音等时变信号某一段的特征就由对应状态观察符号的随机过程描述,而信号随时间的变化由隐蔽Markor链的转移概率描述。模型参数包括HMM拓扑结构、状态转移概率及描述观察符号统计特性的一组随机函数。按照随机函数的特点,HMM模型可分为离散隐马尔可夫模型(采用离散概率密度函数,简称DHMM)和连续隐马尔可夫模型(采用连续概率密度函数,简称CHMM)以及半连续隐马尔可夫模型(SCHMM,集DHMM和CHMM特点)。一般来讲,在训练数据足够的,CHMM优于DHMM和SCHMM。HMM模型的训练和识别都已研究出有效的算法,并不断被完善,以增强HMM模型的鲁棒性。

　　人工神经元网络在语音识别中的应用是现在研究的又一热点。ANN本质上是一个自适应非线性动力学系统,模拟了人类神经元活动的原理,具有自学、联想、对比、推理和概括能力。这些能力是HMM模型不具备的,但ANN又不个有HMM模型的动态时间归正性能。因此,现在已有人研究如何把二者的优点有机结合起来,从而提高整个模型的鲁棒性。

　　(一)语音识别系统的适应性差,主要体现在对环境依赖性强,即在某种环境下采集到的语音训练系统只能在这种环境下应用,否则系统性能将急剧下降;另外一个问题是对用户的错误输入不能正确响应,使用不方便。

　　(二)高噪声环境下语音识别进展困难,因为此时人的发音变化很大,像声音变高,语速变慢,音调及共振峰变化等等,这就是所谓Lombard效应,必须寻找新的信号分析处理方法。

　　(三)语言学、生理学、心理学方面的研究成果已有不少,但如何把这些知识量化、建模并用于语音识别,还需研究。而语言模型、语法及词法模型在中、大词汇量连续语音识别中是非常重要的。

　　(四)我们对人类的听觉理解、知识积累和学习机制以及大脑神经系统的控制机理等分面的认识还很不清楚;其次,把这方面的现有成果用于语音识别,还有一个艰难的过程。

　　(五)语音识别系统从实验室演示系统到商品的转化过程中还有许多具体问题需要解决,识别速度、拒识问题以及关键词(句)检测技术等等技术细节要解决。

　　语音识别技术发展到今天,特别是中小词汇量非特定人语音识别系统识别精度已经大于98%,对特定人语音识别系统的识别精度就更高。这些技术已经能够满足通常应用的要求。由于大规模集成电路技术的发展,这些复杂的语音识别系统也已经完全可以制成专用芯片,大量生产。在西方经济发达国家,大量的语音识别产品已经进入市场和服务领域。一些用户交机、电话机、手机已经包含了语音识别拨号功能,还有语音记事本、语音智能玩具等产品也包括语音识别与语音合成功能。人们可以通过电话网络用语音识别口语对话系统查询有关的机票、旅游、银行信息,并且取得很好的结果。

　　语音识别是一门交叉学科,语音识别正逐步成为信息技术中人机接口的关键技术,语音识别技术与语音合成技术结合使人们能够甩掉键盘,通过语音命令进行操作。语音技术的应用已经成为一个具有竞争性的新兴高技术产业。

　　[1]科大讯飞语音识别技术专栏. 语音识别产业的新发展.企业专栏.通讯世界,2007.2:(总l12期)

　　[2]任天平,门茂深.语音识别技术应用的进展.科技广场.河南科技,2005.2:19-20

　　[3]俞铁城.科大讯飞语音识别技术专栏.语音识别的发展现状.企业专栏.通讯世界,2006.2 (总122期)

　　如今,一些语音识别的应用已经应用到实际生活中,如IBM的Viavoice、Microsoft的Speech SDK、Dragon公司的Dragon Dictate系统等。语音识别的应用领域非常广泛,几乎涉及到日常生活的方方面面。如语音拨号系统、、家庭服务、订票系统、声控智能玩具、医疗服务、银行服务、听写机、计算机控制、工业控制、语音通信系统等。预计在不远的将来,语音识别技术将在工业、家电、通信、、医疗、家庭服务等各个领域深刻改变人类现有的日常生活方式。语音识别听写机在一些领域的应用被美国新闻界评为1997年计算机发展十件大事之一。很多专家都认为语音识别技术是2000年至2010年间信息技术领域十大重要的科技发展技术之一。

　　语音识别的研究工作开始于50年代,Bell实验室实现了第一个可识别十个英文数字的语音识别系统―Audry系统。但真正取得实质性进展,并将其作为一个重要的课题开展研究则是在60年代末70年代初。60年代,提出了动态规划(DP)和线性预测分析技术(LP),其中后者较好地解决了语音信号产生模型的问题,极大地促进了语音识别的发展。70年代,动态时间归正技术(DTW)解决了语音特征不等长匹配问题,对特定人孤立词语音识别十分有效,在语音识别领域取得了突破。在此期间还提出了矢量量化(VQ)和隐马尔可夫模型(HMM)理论。

　　80年代语音识别研究进一步深入,HMM模型和人工神经网络(ANN)在语音识别中成功应用。1988年,FULEE Kai等用VQ/I-IMM方法实现了997个词汇的非特定人连续语音识别系统SPHINX。这是世界上第1个高性能的非特定人、大词汇量、连续语音识别系统。人们终于在实验室突破了大词汇量、连续语音和非特定人这三大障碍,并以此确定了统计方法和模型在语音识别和语言处理中的主流地位。使得借助人工智能中的启发式搜索和语音模型自身的特点,高效、快捷的算法使得建立实时的连续语音识别系统成为可能。

　　90年代,人们开始进一步研究语音识别与自然语言处理的结合,逐步发展到基于自然口语识别和理解的人机对话系统。人工神经元网络(ANN)也开始应用于语音识别,它和HMM模型建立的语音识别系统性能相当,在很多系统中还被结合在一起使用以提高识别率及系统的鲁棒性。小波分析也开始用于特征提取,但目前性能不理想,其研究还在进一步深入中。

　　现在语音识别系统已经开始从实验室走向实用,出现了比较成熟的已推向市场的产品。许多发达国家如美国、日本、韩国以及IBM、Apple、Microsoft、AT&T等著名公司都为语音识别系统的实用化开发研究投以巨资。

　　目前语音识别领域的研究热点包括:稳健语音识别(识别的鲁棒性)、语音输入设备研究 、声学HMM模型的细化、说话人自适应技术、大词汇量关键词识别、高效的识别(搜索)算法研究 、可信度评测算法研究、ANN的应用、语言模型及深层次的自然语言理解。

　　目前研究的难点主要表现在:(1)语音识别系统的适应性差。主要体现在对环境依赖性强。(2)高噪声环境下语音识别进展困难,因为此时人的发音变化很大,像声音变高,语速变慢,音调及共振峰变化等等,必须寻找新的信号分析处理方法。(3)如何把语言学、生理学、心理学方面知识量化、建模并有效用于语音识别,目前也是一个难点。(4)由于我们对人类的听觉理解、知识积累和学习机制以及大脑神经系统的控制机理等方面的认识还很不清楚,这必将阻碍语音识别的进一步发展。

　　输入的语言信号首先要进行反混叠滤波、采样、A/D转换等过程进行数字化,之后要进行预处理,包括预加重、加窗和分帧、端点检测等。我们称之为对语音信号进行预处理。

　　语音信号的特征参数主要有:短时能量En,反映语音振幅或能量随着时间缓慢变化的规律;短时平均过零率Zn,对于离散信号来讲,简单的说就是样本改变符号的次数,可以粗略分辨清音和浊音;短时自相关函数;经过FFT或LPC运算得到的功率谱,再经过对数运算和傅里叶反变换以后得到的倒谱参数;根据人耳听觉特性变换的美尔(MEL);线性预测系数等。通常识别参数可选择上面的某一种或几种的组合。

　　语音识别是语音识别系统最核心的部分。包括语音的声学模型(训练学习)与模式匹配(识别算法)以及相应的语言模型与语言处理2大部分。声学模型用于参数匹配,通常在模型训练阶段按照一定的准则,由用语音特征参数表征的大量已知模式中通过学习算法来获取代表该模式本质特征的模型参数而产生。在识别(模式匹配)时将输入的语音特征同声学模型(模式)根据一定准则进行匹配与比较,使未知模式与模型库中的某一个模型获得最佳匹配以得到最佳的识别结果。语言模型一般指在匹配搜索时用于字词和路径约束的语言规则,它包括由识别语音命令构成的语法网络或由统计方法构成的语言模型,语言处理则可以进行语法、语义分析。

　　声学模型是语音识别系统中最关键的一部分。目前最常用也最有效的几种声学识别模型包括动态时间归整模型(DTW)、隐马尔可夫模型(HMM)和人工神经网络模型(ANN)等。

　　DTW是较早的一种模式匹配和模型训练技术,它把整个单词作为识别单元,在训练阶段将词汇表中每个词的特征矢量序列作为模板存入模板库,在识别阶段将待识别语音的特征矢量序列依次与库中的每个模板进行相似度比较,将相似度最高者作为识别结果输出。DTW应用动态规划方法成功解决了语音信号特征参数序列比较时时长不等的难题,在小词汇量、孤立词语音识别中获得了良好性能。但因其不适合连续语音大词汇量语音识别系统,目前已逐渐被HMM和ANN模型替代。

　　HMM模型是语音信号时变特征的有参表示法。它由相互关联的两个随机过程共同描述信号的统计特性,其中一个是隐蔽的(不可观测的)具有有限状态的Markor链,另一个是与Markor链的每一状态相关联的观察矢量的随机过程(可观测的)。HMM很好的模拟了人得语言过程,目前应用十分广泛。HMM模型的模型参数包括HMM拓扑结构(状态数目N、状态之间的转移方向等)、每个状态可以观察到的符号数M(符号集合O)、状态转移概率A及描述观察符号统计特性的一组随机函数,包括观察符号的概率分布B和初始状态概率分布 ,因此一个HMM模型可以由{N,M,A,B, }来确定,对词汇表中的每一个词都要建立相应的HMM模型。

　　模型参数得到后可以用Viterbi算法来确定与观察序列对应的最佳的状态序列。建好模型后,在识别阶段就是要计算每个模型产生观察符号序列的输出概率,输出概率最大的模型所表示的词就是我们的识别结果。这个过程计算量很大,有人提出了前向-后向算法,大大减少了计算量,已经被广泛采用,关于它们的各种改进方法也被大量提出。

　　ANN在语音识别中的应用是现在研究的又一热点。ANN本质上是一个自适应非线性动力学系统,是由结点互连组成的计算网络,模拟了人类大脑神经元活动的基本原理,具有自学习能力、记忆、联想、推理、概括能力和快速并行实现的特点,同时还具备自组织、自适应的功能。这些能力是HMM模型不具备的,可用于处理一些环境信息十分复杂,背景知识不清楚,推理规则不明确的问题,允许样品有较大的缺损、畸变,因此对于噪声环境下非特定人的语音识别问题来说是一种很好的解决方案。目前大部分应用神经网络的语音识别系统都采用了BP网并取得了较好的识别效果。

　　将ANN与HMM结合分别利用各自优点进行识别将是今后的一条研究途径。二者结合的混合语音识别方法的研究开始于上世纪90年代,目前已有一些方法将ANN辅助HMM进行计算和学习概率参数。

　　语言模型主要分为规则模型和统计模型两种。统计语言模型是用概率统计的方法来揭示语言单位内在的统计规律,其中N-Gram简单有效,被广泛使用。N-Gram模型基于这样一种假设:第n个词的出现只与前面N-1个词相关,而与其它任何词都不相关,整句的概率就是各个词出现概率的乘积。这些概率可以通过直接从语料库中统计N个词同时出现的次数得到。常用的是二元的Bi-Gram和三元的Tri-Gram。

　　尽管语音识别技术已经取得了长足的进步,而语音识别系统也层出不穷,不断的改变人类现有的生活方式,但其比较成功的应用也只是在某些特定的领域,谈不上大规模广泛的应用。只有建立从声学、语音学到语言学的知识为基础、以信息论、模式识别数理统计和人工智能为主要实现手段的语音处理机制,把整个语音识别过程从系统工程的高度进行分析构建,才有可能获得能与人类相比的高性能的、完整的计算机语音识别系统。

　　[1]易克初,田斌.付强.语音信号处理[M].国防工业出版社,2000.

　　[4]张卫清.语音识别算法的研究[D].南京理工大学(硕士生论 文),2004.

　　语言是人类相互交流最常用、最有效、最重要和最方便的通信形式，语音是语言的声学表现，与机器进行语音交流是人类一直以来的梦想。随着计算机技术的飞速发展，语音识别技术也取得突破性的成就，人与机器用自然语言进行对话的梦想逐步接近实现。语音识别技术的应用范围极为广泛，不仅涉及到日常生活的方方面面，在军事领域也发挥着极其重要的作用。它是信息社会朝着智能化和自动化发展的关键技术，使人们对信息的处理和获取更加便捷，从而提高人们的工作效率。

　　语音识别技术起始于20世纪50年代。这一时期，语音识别的研究主要集中在对元音、辅音、数字以及孤立词的识别。

　　20世纪60年代，语音识别研究取得实质性进展。线性预测分析和动态规划的提出较好地解决了语音信号模型的产生和语音信号不等长两个问题，并通过语音信号的线性预测编码，有效地解决了语音信号的特征提取。

　　20世纪80年代，语音识别任务开始从孤立词、连接词的识别转向大词汇量、非特定星空体育官方入口 星空体育官网人、连续语音的识别，识别算法也从传统的基于标准模板匹配的方法转向基于统计模型的方法。在声学模型方面，由于HMM能够很好的描述语音时变性和平稳性，开始被广泛应用于大词汇量连续语音识别（Large Vocabulary Continous Speech Recognition， LVCSR）的声学建模[2?3]；在语言模型方面，以N元文法为代表的统计语言模型开始广泛应用于语音识别系统[4]。在这一阶段，基于HMM/VQ、HMM/高斯混合模型、HMM/人工神经网络的语音建模方法开始广泛应用于LVCSR系统，语音识别技术取得新突破。

　　20世纪90年代以后，伴随着语音识别系统走向实用化，语音识别在细化模型的设计、参数提取和优化、系统的自适应方面取得较大进展[5]。同时，人们更多地关注话者自适应、听觉模型、快速搜索识别算法以及进一步的语言模型的研究等课题[6]。此外，语音识别技术开始与其他领域相关技术进行结合，以提高识别的准确率，便于实现语音识别技术的产品化。

　　语音识别是将人类的声音信号转化为文字或者指令的过程[7]。语音识别以语音为研究对象，它是语音信号处理的一个重要研究方向，是模式识别的一个分支。语音识别的研究涉及微机技术、人工智能、数字信号处理、模式识别、声学、语言学和认知科学等许多学科领域，是一个多学科综合性研究领域[8]。

　　根据在不同限制条件下的研究任务，产生了不同的研究领域。这些领域包括：根据对说话人说话方式的要求，可分为孤立字（词）、连接词和连续语音识别系统；根据对说话人的依赖程度，可分为特定人和非特定人语音识别系统；根据词汇量的大小，可分为小词汇量、中等词汇量、大词汇量以及无限词汇量语音识别系统。

　　从语音识别模型的角度讲，主流的语音识别系统理论是建立在统计模式识别基础之上的。语音识别的目标是利用语音学与语言学信息，把输入的语音特征向量序列[X=x1，x2，…，xT]转化成词序列[W=w1，w2，…，wN]并输出。基于最大后验概率的语音识别模型如下式所示：

　　上式表明，要寻找的最可能的词序列[W]，应该使[P（XW）]与[P（W）]的乘积达到最大。其中，[P（XW）]是特征矢量序列[X]在给定[W]条件下的条件概率，由声学模型决定。[P（W）]是[W]独立于语音特征矢量的先验概率，由语言模型决定。由于将概率取对数不影响[W]的选取，第四个等式成立。[logP（XW）]与[logP（W）]分别表示声学得分与语言得分，且分别通过声学模型与语言模型计算得到。[λ]是平衡声学模型与语言模型的权重。从语音识别系统构成的角度讲，一个完整的语音识别系统包括特征提取、声学模型、语言模型、搜索算法等模块。语音识别系统本质上是一种多维模式识别系统，对于不同的语音识别系统，人们所采用的具体识别方法及技术不同，但其基本原理都是相同的，即将采集到的语音信号送到特征提取模块处理，将所得到的语音特征参数送入模型库模块，由声音模式匹配模块根据模型库对该段语音进行识别，最后得出识别结果[9]。

　　语音识别系统基本原理框图如图1所示，其中：预处理模块滤除原始语音信号中的次要信息及背景噪音等，包括抗混叠滤波、预加重、模/数转换、自动增益控制等处理过程，将语音信号数字化；特征提取模块对语音的声学参数进行分析后提取出语音特征参数，形成特征矢量序列。语音识别系统常用的特征参数有短时平均幅度、短时平均能量、线性预测编码系数、短时频谱等。特征提取和选择是构建系统的关键，对识别效果极为重要。

　　由于语音信号本质上属于非平稳信号，目前对语音信号的分析是建立在短时平稳性假设之上的。在对语音信号作短时平稳假设后，通过对语音信号进行加窗，实现短时语音片段上的特征提取。这些短时片段被称为帧，以帧为单位的特征序列构成语音识别系统的输入。由于梅尔倒谱系数及感知线性预测系数能够从人耳听觉特性的角度准确刻画语音信号，已经成为目前主流的语音特征。为补偿帧间独立性假设，人们在使用梅尔倒谱系数及感知线性预测系数时，通常加上它们的一阶、二阶差分，以引入信号特征的动态特征。

　　声学模型是语音识别系统中最为重要的部分之一。声学建模涉及建模单元选取、模型状态聚类、模型参数估计等很多方面。在目前的LVCSR系统中，普遍采用上下文相关的模型作为基本建模单元，以刻画连续语音的协同发音现象。在考虑了语境的影响后，声学模型的数量急剧增加，LVCSR系统通常采用状态聚类的方法压缩声学参数的数量，以简化模型的训练。在训练过程中，系统对若干次训练语音进行预处理，并通过特征提取得到特征矢量序列，然后由特征建模模块建立训练语音的参考模式库。

　　搜索是在指定的空间当中，按照一定的优化准则，寻找最优词序列的过程。搜索的本质是问题求解，广泛应用于语音识别、机器翻译等人工智能和模式识别的各个领域。它通过利用已掌握的知识（声学知识、语音学知识、词典知识、语言模型知识等），在状态（从高层至底层依次为词、声学模型、HMM状态）空间中找到最优的状态序列。最终的词序列是对输入的语音信号在一定准则下的一个最优描述。在识别阶段，将输入语音的特征矢量参数同训练得到的参考模板库中的模式进行相似性度量比较，将相似度最高的模式所属的类别作为识别中间候选结果输出。为了提高识别的正确率，在后处理模块中对上述得到的候选识别结果继续处理，包括通过Lattice重打分融合更高元的语言模型、通过置信度度量得到识别结果的可靠程度等。最终通过增加约束，得到更可靠的识别结果。

　　常用的声学建模方法包含以下三种：基于模式匹配的动态时间规整法（DTW）；隐马尔可夫模型法（HMM）；基于人工神经网络识别法（ANN）等。

　　DTW 是较早的一种模式匹配的方法。它基于动态规划的思想，解决孤立词语音识别中的语音信号特征参数序列比较时长度不一的模板匹配问题。在实际应用中，DTW通过计算已预处理和分帧的语音信号与参考模板之间的相似度，再按照某种距离测度计算出模板间的相似度并选择最佳路径。

　　HMM是对语音信号的时间序列结构所建立的统计模型，是在马尔可夫链的基础上发展起来的，它是一种基于参数模型的统计识别方法。HMM可模仿人的言语过程，可视作一个双重随机过程：一个是用具有有限状态数的马尔可夫链来模拟语音信号统计特性变化的隐含的随机过程，另一个是与马尔可夫链的每一个状态相关联的观测序列的随机过程[10]。

　　ANN以数学模型模拟神经元活动，将人工神经网络中大量神经元并行分布运算的原理、高效的学习算法以及对人的认知系统的模仿能力充分运用到语音识别领域，并结合神经网络和隐含马尔可夫模型的识别算法，克服了ANN在描述语音信号时间动态特性方面的缺点，进一步提高了语音识别的鲁棒性和准确率。其中成功的方法就是在混合模型中用ANN替代高斯混合模型估计音素或状态的后验概率。2011年，微软以深度神经网络替代多层感知机形成的混合模型系统大大提高了语音识别的准确率。

　　语音识别技术有着非常广泛的应用领域和市场前景。在语音输入控制系统中，它使得人们可以甩掉键盘，通过识别语音中的要求、请求、命令或询问来作出正确的响应，这样既可以克服人工键盘输入速度慢，极易出差错的缺点，又有利于缩短系统的反应时间，使人机交流变得简便易行，比如用于声控语音拨号系统、声控智能玩具、智能家电等领域。在智能对话查询系统中，人们通过语音命令，可以方便地从远端的数据库系统中查询与提取有关信息，享受自然、友好的数据库检索服务，例如信息网络查询、医疗服务、银行服务等。语音识别技术还可以应用于自动口语翻译，即通过将口语识别技术、机器翻译技术、语音合成技术等相结合，可将一种语言的语音输入翻译为另一种语言的语音输出，实现跨语言交流[11]。

　　语音识别技术在军事斗争领域里也有着极为重要的应用价值和极其广阔的应用空间。一些语音识别技术就是着眼于军事活动而研发，并在军事领域首先应用、首获成效的，军事应用对语音识别系统的识别精度、响应时间、恶劣环境下的顽健性都提出了更高的要求。目前，语音识别技术已在军事指挥和控制自动化方面得以应用。比如，将语音识别技术应用于航空飞行控制，可快速提高作战效率和减轻飞行员的工作负担，飞行员利用语音输入来代替传统的手动操作和控制各种开关和设备，以及重新改编或排列显示器上的显示信息等，可使飞行员把时间和精力集中于对攻击目标的判断和完成其他操作上来，以便更快获得信息来发挥战术优势。

　　语音识别的研究工作对于信息化社会的发展，人们生活水平的提高等方面有着深远的意义。随着计算机信息技术的不断发展，语音识别技术将取得更多重大突破，语音识别系统的研究将会更加深入，有着更加广阔的发展空间。

　　[1] 马志欣，王宏，李鑫.语音识别技术综述[J].昌吉学院学报，2006（3）：93?97.

　　[5] 倪崇嘉，刘文举，徐波.汉语大词汇量连续语音识别系统研究进展[J].中文信息学报，2009，23（1）：112?123.

　　[6] 顾亚强.非特定人语音识别关键技术研究[D].长沙：国防科学技术大学，2009.

　　[7] 中华人民共和国国家质量监督检验检疫总局.GB/T21023?2007 中文语音识别系统通用技术规范[S].北京：中国标准出版社，2007.

　　[8] 王文慧.基于ARM的嵌入式语音识别系统研究[D].天津：天津大学，2008.

　　[9] 何湘智.语音识别的研究与发展[J].计算机与现代化，2002（3）：3?6.

　　[10] 吕云芳.基于模板匹配法的语音识别系统研究与基本实现[D].天津：河北工业大学，2005.

　　使用智能手机的朋友们都会对语音助手产生极大的兴趣，不管是微软的Cortana，还是苹果的Siri，都是将语音识别融入现代技术的典范。Z音识别是解决机器“听懂”人类语言的一项技术，也是人工智能重要部分。

　　语音识别技术（speech recognition），也被称为自动语音识别 （ASR），其目标是将人类的语音中的词汇内容转换为计算机可读的输入，例如按键、二进制编码或者字符序列。与说话人识别及说话人确认不同，后者尝试识别或确认发出语音的说话人而前者的目标是语音中所包含的词汇内容。

　　探究语音识别技术的框架、应用与发展有利于全面了解语音识别。本文将从语音识别简介、主流语言识别框架以及语言识别近年来的发展三个方面探究语音识别。

　　对语音识别技术的研究可以追述到上世纪五十年代，1952年贝尔研究所Davis等人研究成功了世界上第一个能识别10个英文数字发音的实验系统，开创了语音识别的先河。上世纪六十年代，人工神经网络被引入了语音识别。上世纪七十年代以后，大规模的语音识别在小词汇量、孤立词的识别方面取得了实质性的进展。传统语音识别技术最大突破是隐式马尔可夫模型的应用，这一模型极大提高了语音识别的准确率[1]。

　　作为智能计算机研究的主导方向和人机语音通信的关键技术，语音识别一直受到各国科学界的广泛关注。如今，随着语音识别技术的研究的突破，其对计算机发展和社会生活的重要性日益凸现出来。在现实生活中，语音识别技术的应用相当广泛，它改变了人与计算机交互的方式，使计算机更加智能。和键盘输入相比，语音识别更符合人的日常习惯；使用语言控制系统，相比手动控制，语音识别更加方便快捷，可以用在工业控制、智能家电等设备；通过智能对话查询系统，企业可以根据用户的语音进行操作，为用户提供自然、友好的数据检索服务。

　　目前主流的语音识别框架可以分为以下几个模块：信号处理，特征提取，声学模型，语言模型，解码器。

　　信号处理模块是对语音文件进行预处理。声音是一种纵波，在识别语音时，输入为WMV，MP3等格式的文件会被转换成非压缩的纯波文件wav格式。然后在进行语音识别前，需要检测该文件中的语音信号，该技术被称之为语音活性检测[2]。使用语言活性检测技术可以有效降低噪音，去除非语音片段，提高语音识别的准确率。经典的语音活性检测算法由如下步骤组成：

　　（1）使用spectral subtraction等方法对语言序列进行降噪。（2）将输入信号的分成区块并提取特征。（3）设计分类器判断该区块是否为语音信号。

　　特征提取目的是提取出语音文件的特征，以一定的数学方式表达，从而可以参与到后续模块处理中。在这一模块，首先要将连续的声音分成离散的帧。每一帧的时间既要足够长，使得我们能够判断它属于哪个声韵母的信息，若过短则包含信息过少；每一帧时间也要尽量短，语音信号需要足够平稳，能够通过短时傅里叶分析进行特征提取，过长则会使信号不够平稳。分帧时使用如下改进技术可以有效提高识别准确率：相邻的两帧有所重叠减少分割误差，将与临近帧之间的差分作为额外特征，将多个语音帧堆叠起来。通过分帧处理，连续的语音被分为离散的小段，但还缺乏数学上的描述能力，因此需要对波形作特征提取。常见的方法是根据人耳的生理特征，把每一帧波形变换成一个多维向量。因此，这些向量包含了这些语音的内容信息。该过程被称为声学特征提取，常见的声学特征有MFCC、CPE、LPC等。

　　MFCC是目前最常用、最基本的声学特征，提取MFCC特征可以分为如下四个步骤：首先对每一帧进行傅里叶变换，取得每一帧的频谱。再把频谱与图1中每个三角形相乘并积分，求出频谱在每一个三角形下的能量，这样处理可以减少数据量，并模仿人耳在低频处分辨率高的特性。然后取上一步得到结果的对数，这可以放大低能量处的能量差异。最后对得到的对数进行离散余弦变换，并保留前12～20个点进一步压缩数据。通过特征提取，声音序列就被转换为有特征向量组成的矩阵。

　　声学模型是语音识别中最重要的组成部分之一，其用于语音到音节概率的计算。目前主流的方法多数采用隐马尔科夫模型，隐马尔可夫模型的概念是一个离散时域有限状态自动机。

　　隐马尔可夫模型HMM如图2所示，是指这一马尔可夫模型的内部状态x1，x2，x3外界不可见，外界只能看到各个时刻的输出值y1，y2，y3。对语音识别系统，输出值通常就是从各个帧计算而得的声学特征，输入是由特征提取模块提取的特征。用HMM刻画语音信号需作出两个假设，一是内部状态的转移只与上一状态有关，另一是输出值Y只与当前状态X（或当前的状态转移）有关，这两个假设大大降低了模型的复杂度。HMM的打分、解码和训练相应的算法是前向算法、维特比算法和前向后向算法。

　　早期的声学模型使用矢量量化（Vector Quantification）的方法，使其性能受到VQ算法的极大影响。对于连续取值的特征应当采用连续的概率分布如高斯混合模型或混合拉普拉斯模型等。为了解决模型参数过多的问题，可以使用某些聚类方法来减小模型中的参数数量，提高模型的可训练性。聚类可以在模型层次，状态层次乃至混合高斯模型中每个混合的层次进行。

　　语言模型音节到字概率的计算。 语言模型主要分为规则模型和统计模型两种。相比于统计模型，规则模型鲁棒性较差，对非本质错误过于严苛，泛化能力较差，研究强度更大。因此主流语音识别技术多采用统计模型。统计模型采用概率统计的方法来揭示语言单位内在的统计规律，其中N-Gram简单有效，被广泛使用。

　　N-Gram基于如下假设：第N个词的出现只与前面N-1个词相关，而与其它任何词都不相关，整句的概率即为各个词出现概率的乘积。词与词之间的概率可以直接从语料中统计N个词同时出现的次数得到。考虑计算量和效果之间的平衡，N取值一般较小，常用的是二元的Bi-Gram和三元的Tri-Gram。

　　解码器是语音识别系统的核心之一，其任务是对输入信号，根据声学、语言模型及词典，寻找能够以最大概率输出该信号的词串。在实践中较多采用维特比算法[3]搜索根据声学、语言模型得出的最优词串。

　　基于动态规划的维特比算法在每个时间点上的各个状态，计算解码状态序列对观察序列的后验概率，保留概率最大的路径，并在每个节点记录下相应的状态信息以便最后反向获取词解码序列。维特比算法在不丧失最优解的条件下，同时解决了连续语音识别中HMM模型状态序列与声学观察序列的非线性时间对准、词边界检测和词的识别，从而使这一算法成为语音识别搜索的基本策略。

　　维特比（Viterbi）算法的时齐特性使得同一时刻的各条路径对应于同样的观察序列，因而具有可比性，Beam搜索在每一时刻只保留概率最大的前若干条路径，大幅度的剪枝提高了搜索的效率。Viterbi-Beam算法是当前语音识别搜索中最有效的算法。

　　近几年来，特别是2009年以来，借助机器学习领域深度学习研究的发展，以及大数据语料的积累，语音识别技术得到突飞猛进的发展。

　　在模型方面，传统语音识别模型逐步被神经网络替代，使用神经网络可以更好地提取特征，拟合曲线。使用人工神经网络来提高语音识别性能的概念最早在80年代就提出了，但当时高斯混合模型在大词汇语音识别上表现得更好，因此人工神经网络并没有进行商业应用。随着相关技术的进一步发展，微软研究院利用深度神经网络建立了数千个音素的模型，比传统方法减少了16%的相对误差。其在建立起有超过660万神经联系的网络后，将总的语音识别错误率降低了30%，实现了语音识别巨大的突破[4]。

　　同时目前多数主流语言识别解码器采用了基于有限状态机的解码网络，该网络将语音模型、词典、声学共享音字集统一为大的解码网络，大幅度提高了解码速度。

　　在数据量上，由于移动互联网的急速发展，从多个渠道获取的海量语言原料为声学模型和语言模型的训练提供了丰富的资源，不断提升语音识别的准确率。

　　语音是人们工作生活中最自然的交流媒介，所以语音识别技术在人机交互中成为非常重要的方式，语音识别技术具有非常广泛的应用领域和非常广阔的市场前景。而随着深度神经网络发展，硬件计算能力的提高，以及海量数据积累，语音识别系统的准确率和实用性将得到持续提高。

　　[5]王炳锡，屈丹，彭煊.实用语音识别基础[M].北京：国防工业出版社，2005.

　　语音识别技术成为21世纪“数字时代”的重要开发领域，在计算机的多媒体技术应用和工业自动化控制应用等方面，成果令人属目。语音识别技术是指用电子装置来识别某些人的某些特征语音，语音识别的手段一般分为二大类，一类利用在计算机上开发语音识别系统，通过编程软件达到对语音的识别，另一类采用专门的语音识别芯片来进行简单的语音识别。利用专门的语音识别芯片应用在地铁车辆上，具有结构简单、使用方便，并且语音识别器有较高的可靠性、稳定性的特点，是简单语音识别在自动控制应用上的一种优先方案。

　　六、八号线在车辆信息显示系统的设计上缺少实用性和操作性，对乘客来讲缺少在实时报站时的人性化。如：地铁车厢内的乘客信息显示系统和车厢外侧的列车信息显示系统。如果在每个车门的上方安装车站站名动态显示地图，实时显示与车厢广播同步的信息，以及在每节车厢外侧显示列车的终点站，良好的工业设计不仅能给广大的乘客带来非常大的帮助，而且能够提升上海地铁服务的形象。由于在设计以上地铁列车时，受科技发展的限制。现在上海地铁4号线在车辆信息显示系统的设计上满足了广大的乘客的需求，

　　如何在现有的地铁车辆上增加地铁车厢内的乘客信息显示系统和车厢外侧的列车信息显示系统，如图1、2，首先考虑其实用性和性价比，同时安装、操作要方便，在不影响列车的性能的前提下，完成本乘客信息显示系统的应用，设计方案的选择极其重要，目前的乘客信息显示系统比较复杂，例如：对于应用在某条线路上的声音识别系统，不仅要修改原语音文件，而且声音识别器不容易操纵，

　　对使用者来讲仍然存在比较多的问题。对于应用在某条线路上数字传输显示系统，其操作方法不仅给司机带来了任务，每站需要手动操作二次，同时显示的相关内容没有实时性，总之乘客信息显示系统比较落后。

　　地铁车辆乘客信息显示系统的设计，采用CMOS语音识别大规模集成电路，识别响应时间小于300ms。HM2007芯片采用单片结构，如图3。将语音识别需要的全部电路：CPU、A/D、ROM、语音的AMP放大器、压缩器、滤波器、震荡器和接口界面等集中在一片芯片内，这样电路就非常少，外接64K非易失性SRAM，最多能识别40个车站站名语音（字长0.9秒），或（字长1.92秒）但识别仅20个车站站名语音。按正常人的讲线个为宜。

　　针对目前上海地铁列车在车厢内外无LED动态站名显示而设计，通过将列车车厢广播的模拟信号转换成数字信号，自动控制LED发光二极管，在列车在车厢内使得广播的内容（每个车站站名）与发光二极管显示面板声光同步，将显示面板放置地铁车辆的每扇车门上方，并且显示面板以地铁运营线路为背景，达到列车进站和出站时能分别指示。在列车车厢外让乘客非常直观地、一目了然地了解车辆的终点站方向，从而方便乘客的上下车，提高了地铁服务水平。在国外的地铁列车上应用已相当普遍。

　　语音识别显示器①的输入端与车载广播功放器相连接，实现广播模拟信号发出的语音进行车站名的自动识别。不需要编程技术和修改文件等方法，全部采用硬件方法设计。整个系统分为5部分：（1）输入控制部分；（2）噪音滤波部分；（3）语言识别部分；（4）执行显示部分；（5）录音功能部分。

　　通过麦克风或（结合器）连接，如图4所示，要求模拟语音输入点的电压必须控制在大约20mv左右，以确保后期语音识别的正确性。在输入电路中增加了声音控制部分的电路，即将模拟信号转变成数字方波信号，对语音输入进行开关量的控制，确保在T0.9秒内的正确输入语音字长。

　　利用语音识别芯片HM2007和外接6264SRAM存储器组成为主要部分，（HM2007中ROM已经固化了语音语法技术）对语音的存储及语音语法算法进行控制。HM2007的详细内容见产品说明书。

　　滤波功能是自动识别（阻挡）我们在设计阶段设计好的各个工况的语音情况，例如：司机的讲话及车辆杂音等（在麦克风的工况下），以确保输入语音的可靠性、稳定性，特采用UM3758串行编译码一体化进行滤波电路。如图5。

　　将车厢广播喇叭的模拟信息通过语音识别器转变成数字信息，最终经过译码电路、4/16多路数据选择器及RS485接口，去控制车厢内车门上十个LED显示面板，如图6。

　　在进行广播内容更改时，本项目最大的特点是：不需要任何手段的手工软件编程的修改，而是通过远程音频电路控制技术进行按动相关按钮，选择地址然后自动录入内容，如图6。

　　语音识别器及LED显示面板的设计，能应用到以前没有LED显示面功能的地铁车辆上，与其他所设计的方式相比较，语音识别控制简单、可靠性好、安装方便、相对投资最小和不改动车厢内任何电器为特点，仅提供110VDC电源和音频输入接口。

　　本项目的开发具有一定社会效益，得到国内外乘客和残疾人员的欢迎，提高了地铁服务质量。

　　该文主要致力于解决通话中的语音识别技术，长期可推广至QQ语音聊天等即时聊天软件中，相较于目前大多数语音识别软件需要手动打开更为主动，让用户感觉不到软件的存在，将该技术深度整合到系统或QQ服务中在通话结束后针对通话中涉及的电话号码、地点、时间等关键信息进行信息的推送，大大提高了效率，并对听力有障碍的人士有更为重要的意义。

　　语音识别系统本质上是一种模式识别系统，包括特征提取、模式匹配、参考模式库等三个基本单元，未知语音经过话筒变换成电信号后加在识别系统的输入端，首先经过预处理，再根据人的语音特点建立语音模型，对输入的语音信号进行分析，并抽取所需的特征，在此基础上建立语音识别所需的模板，然后根据此模板的定义，通过查表就可以给出计算机的识别结果。 [1]

　　二、通线、基本架构：Smartalk通话系统基于“云之讯”开放平台提供的语音视频通话服务和“科大讯飞”开放平台提供的语音识别服务，并加以对手机GPS位置、通讯录、社交软件信息的分析，在“云”的辅助下对之进行处理和交换。Smartalk架构分为4个部分：客户端、语音视频服务、语音识别服务、云数据处理分析。利用“云之讯”开放平台提供的语音视频通话服务和“科大讯飞”开放平台提供的语音识别服务可将用户在通话中涉及的地点、人名、电话号码等关键词提取出来并加以分析对行程和下一步操作提供帮助。

　　2、基本平台：本系统基于APIcloud开发，兼容云端和第三方SDK，可跨平台（Android、IOS、Windows等）使用，采用标准的c++语言实现。

　　1、基于“云之讯”开放平台的通话系统：云之讯融合通讯开放平台为企业及个人开发者提供各种通讯服务，包括在线语音服务、短信服务、视频服务、会议服务等，开发者通过嵌入云通讯API在应用中轻松实现各种通讯功能。

　　2、基于“科大讯飞”开放平台的语音识别系统：。讯飞开放平台使用户可通过互联网、移动互联网，使用任何设备方便的介入讯飞开放平台提供的“听、说、读、写”等全方位的人工智能服务。目前开放平台向开发者提供语音合成、语音识别、语音唤醒、语义理解、移动应用分析等多项服务。

　　3、语音识别与云端大数据结合分析：。利用基于“云之讯”通话系统和“科大讯飞”语音识别系统实现了实时的语音识别，加以云端大数据的结合，和实时的分析用户当前的需求和问题，及时的跟用户产生交流反馈，并根据用户长期的使用时间分析智能提前推送相关信息。

　　基于大数据和互联网+技术的日益发展与完善，并随着通信传输速度的逐渐提高，可在实时的条件下分析与推送更多丰富的内容，加以与即时聊天软件的结合，将该技术深度整合到系统或QQ服务中在通话结束后针对通话中涉及的电话号码、地点、时间等关键信息进行信息的推送，并对听力有障碍的人士有更为重要的意义，未来的市场前景广阔。

　　语音控制人员只需要用嘴说出命令控制字，就可以实现对系统的控制。在汽车上，可用于汽车导航、控制车载设备。如车灯、音响、天窗、座椅、雨刮器等。

　　医疗语音识别技术，已有厂商开发了基于云平台的语音识别系统，可直接内嵌到医院电子病历系统中，让医生通过语音输入病人信息，填写医疗记录，下达医嘱信息。

　　1、国内外市场分析：2015年全球智能语音产业规模达到61.2亿美元，较2014年增长34.2%。其中，中国智能语音产业规模达到40.3亿元，较2014年增长增长41.0%，远高于全球语音产业增长速度预计到2016年，中国语音产业规模预计达到59亿元。[2]

　　2、相关应用发展：拉斯维加斯消费电子展（CES）上展示的MindMeld。在通话中，如果参与者点击应用的一个按钮，那么MindMeld将利用Nuance的语音识别技术，分析此前15至30秒对话。随后，MindMeld将确定对话中的关键词，以及其他多个信息来源，查找具有相关性的信息，并在屏幕上向用户提供图片和链接地址。[3]

　　[1] 吴坚.基于web的salt语音识别技术应用研究[D].湖北工业大学， 2006

　　[2] 武勤.2015中国智能语音产业发展白皮书.计算机与网络2016，42（8）

　　语音识别是为了让机器“懂”我们的语言，准确无误地识别出我们发出语音内容，并且做出符合语音内容的一系列动作，执行我们的意图。分析人类语言交流通信的过程，可以启发我们的研究思路。对人类语音通信流程[1-2]分析如图1。

　　由人类语音通信流程框图可以看出，人类发出语音过程如图左半部分，语音理解过程如图右半部分。语音识别包括两种含义，一是：将人类说的话转换成文字，二是：在充分理解口述语音的基础上，不仅仅是将语音转换为文字信息，而且对语音内容也要作出正确响应[3]。在此，本文认为语音识别和语音理解意义等同，所以可用图1右侧部分流程可将语音识别过程。

　　目前语音识别技术应用中大部分都是小词汇量，词语间相互独立基于简单模板匹配工作原理的识别模式。针对这种典型的语音识别模式，原理流程路线 基于发音模型的语音信号产生模型

　　语音信号的产生是语音识别技术的基石，在语音信号处理的大部分过程中对语音信号产生模型有很强的依赖性。本文研究过程中，首先对人类发音过程进行了解：人类发音流程是首先肺部收缩，迫使气流通过声门和声道引起音频震荡产生[3]。根据人的声道三种不同激励方式，分别对应产生了三种被大家熟知的发音类型，分别是浊音，摩擦音或清音，爆破音。

　　语音信号可看做由线性系统受到激励信号的激励输出产生。如图3是基于发音模型的语音信号产生模型流程图：

　　如图3建立的语音信号产生模型中认为浊音是周期为N0的冲激信号，且N0=fs/F0（其中F0是基音频率，fs是采样频率）。清音认为是一个均值为0，幅值是正态分布的波形信号。参数Av，Au分别用来调节浊音和清音的幅值。

　　从已有语音识别技术研究结果可知，窗函数类型众多，使用不同形式的窗函数对短时分析处理语音信号结果有很大的影响。已知目前应用最广泛的窗函数是汉明窗，结合仿真实验分析可以看出：高斯窗函数的横向主瓣宽度最小，但其纵向旁瓣高度最高；汉明窗函数的横向主瓣宽度最宽，纵向旁瓣高度是三种窗函数中最低的。

　　语音信号的起始点是语音信号处理的关键分界点，端点检测的目的就是找到连续语音信号中的信号起始点。常用的端点检测方法有两种，分别是短时平均能量和短时过零率[6]。当下流行的端点检测方法是短时平均能量和短时过零率两者的结合，称这种方法为双门限端点检测算法[7]。

　　在实际问题中通常采用两者结合解决问题。本文同样是采用两者结合的方法，利用短时过零率方法检测语音信号波形穿越零电平的次数，既代表的是清音；用短时平均能量方法计算第y帧语音信号的短时平均能量E（y），既代表的是浊音，进而实现可靠的端点检测。

　　目前特征是语音信号预处理中的重要步骤。在实际特征提取中，较常采用的参数是线性预测倒谱系数（LPCC）和Mel倒谱系数（MFCC）。二者采用的均是时域转换到倒谱域上，但是出发思路两者不同。线性预测倒谱系数（LPCC）以人类发声模型为基础，采用线性预测编码（LPC）技术求倒谱系数；Mel倒谱系数（MFCC）以人类听觉模型为基础，通过离散傅利叶变换（DFT）进行变换分析。

　　其中k表示第k个滤波器，Hm（k）表示第k个mel滤波器组，f（m）为中心频率，m=1，2，…K，K表示滤波器个数。

　　经过仿真实验分析比较，可以分析得出Mel倒谱系数（MFCC）参数较线性预测倒谱系数（LPCC）参数的优点，优点如下：

　　（1）语音低频信号是语音信息的聚集区，高频信号相对低频语音信号更容易受到周围环境等的干扰。Mel倒谱系数（MFCC）将线性频标转化为Mel频标，强调语音的低频信息，从而突出了有利于识别的信息，屏蔽了噪声的干扰[8]。LPCC参数是基于线性频标的，所以没有这一特点；

　　（2）MFCC参数无任何假设前提，在各种语音信号预处理情况下均可使用，但是LPCC参数首先假定所处理的语音信号是AR信号，对于动态特性较强的辅音，这个假设并不严格成立[8]；

　　（3）MFCC参数提取过程中需要经过FFT变换，我们可以顺便获得语音信号频域上的全部信息，不需要多花费时间处理，有利于端点检测、语音分段等算法实现[8]。

　　训练和识别是语音识别的中心内容，有很多专家学者研究了一系列成果。语音识别实质是模式匹配的过程，而对分类器和分类决策的设计[9]又是模式匹配的核心。在现有的分类器设计[10-11]中，经常使用的有：动态时间规整（Dynamic Time Warping，DTW）分类器、基于人工神经网络（Artificial Neural Networks，ANN）分类器、基于高斯混合模型（GMM）分类器、基于Bayes规则的分类器、基于HMM分类器[12]等。

　　本文重点讨论语音信号预处理中技术及实现，对训练和识别技术不再做研究描述。

　　[1]尹岩岩.基于语音识别与合成的低速率语音编码研究[D].上海师范大学，2013.

　　[2]伟伟.通信系统中语音质量评价的研究[D].北京邮电大学，2014.

　　[3]朱淑琴.语音识别系统关键技术研究[D].西安电子科技大学，2004.

　　[5]钟林鹏.说话人识别系统中的语音信号处理技术研究[D].电子科技大学，2013.

　　[6]周刚，周萍，杨青.一种简单的噪声鲁棒性语音端点检测方法[J].测控技术，2015，（02）：31-34.

　　[7]薛胜尧.基于改进型双门限语音端点检测算法的研究[J].电子设计工程，2015，（04）：78-81.

　　[8]惠博.语音识别特征提取算法的研究及实现[D].西北大学，2008.

　　[9]张宁.基于决策树分类器的迁移学习研究[D].西安电子科技大学，2014.

　　[10]汪云云.结合先验知识的分类器设计研究[D].南京航空航天大学，2012.

　　[11]李杨.基于神经网络的分类器设计及优化[D].安徽农业大学，2013.

　　近年来，随着科学技术的进步，语音识别技术的发展，通过语言操纵机器的梦想正在逐步变为现实。语音识别是语音信号处理的一个重要的研究方向，经过50多年的积累研究，尤其是近20年来，语音识别技术取得了显著进步，并且广泛应用于商业，比如苹果的siri系统。本文从语音识别的发展历史、发展方向来着重分析未来语音识别技术的发展趋势。

　　早在三四十年前，美国的一些大学和实验室就开始了语音识别技术的研究，50年代的AT&TBell实验室研发的Audry系统第一个实现了可识别十个英文数字。60和70年代，提出了线性预测分析技术（LP）等相关理论并深入研究，创造出可以实现特定人孤立语音识别系统；80年代和90年代是语音识别技术应用研究方向的高潮，HMM模型和人工神经元网络（ANN）的成功应用，使得语音识别系统的性能比以往更优异；伴随着多媒体时代的来临，微软，Apple等著名公司都研发出相当成功的商业应用语音识别系统，比如，Apple的Siri系统，微软的PhoneQuery（电话语音识别）引擎等。

　　我国的语音识别研究工作虽然起步较晚，但由于国家的重视，研究工作进展顺利，相关研究紧跟国际水平。由于中国有不可忽视的庞大市场，国外对中国的语音识别技术也非常重视，汉语语音语义的特殊性也使得中文语音识别技术的研究更具有挑战。但是，国内研究机构在进行理论研究的同时，应注重语音识别系统在商业中的应用，加快从实验室演示系统到商品的转化。

　　现如今，许多用户已经能享受到语音识别技术带来的方便，比如智能手机的语音操作等。但是，这与实现真正的人机交流还有相当遥远的距离。目前，计算机对用户语音的识别程度不高，人机交互上还存在一定的问题，语音识别技术还有很长的一段路要走，必须取得突破性的进展，才能做到更好的商业应用，这也是未来语音识别技术的发展方向。

　　语音识别技术的实现方式是声音通过转换装置进入机器，而机器配有“语音辨识”程序，程序将得到的声音样本与数据库存储的样本进行比对，输出最匹配的结果，转化为机器语言，进而执行命令。真正建立辨识率高的语音辨识程序组，是非常困难而专业的，专家学者们研究出许多破解这个问题的方法，如傅立叶转换、倒频谱参数等，使目前的语音辨识系统已达到一个可接受的程度，并具有较高辨识度。

　　语音识别技术主要包括特征提取技术、模式匹配准则及模型训练技术三个方面，其中，最基础的就是语音识别单元的选取。

　　（1）语音识别单元的选取。语音识别研究的基础是选择语音识别单元。语音识别单元有单词（句）、音节和音素三种，具体选择哪一种语音识别单元由具体研究任务的类型决定：

　　单词（句）单元在中小词汇语音识别系统中应用广泛，但由于模型库过于庞大，模型匹配算法复杂，实时性不强，所以不适合大词汇系统；

　　音节单元主要应用于汉语语音识别，因为汉语是单音节结构的语言，虽然有大约1300个音节，但无调音节共408个，相对较少，所以音节单元在中、大词汇量的汉语语音识别系统上是可行的。

　　音素单元之前曾广泛应用于英语语音识别，也越来越多的应用于中、大词汇量汉语语音识别系统中。原因在于汉语音节仅由22个声母和28个韵母构成，把声母细化，虽然增加了模型数量，但是提高了易混淆音节的区分能力

　　（2）特征参数提取技术。特征提取就是对语音信号进行分析处理，把丰富的语音信息中的冗余信息去除，获得对语音识别有用的信息。这是一个对语音信号进行信息压缩的过程，目前经常采用的特征参数提取技术是线性预测（LP）分析技术。基于LP技术提取的倒谱参数再加上Mel参数和基于感知线性预测（PLP）分析提取的感知线性预测倒谱对人耳处理声音的模拟，进一步提高了语音识别系统的性能。

　　（3）模式匹配及模型训练技术。早期的语音识别应用的模式匹配和模型训练技术是动态时间归正技术（DTW），它在孤立词语音识别中获得了良好性能，但是由于对大词汇量以及连续语音识别的不准确，目前已经被隐马尔可夫模型（HMM）和人工神经元网络（ANN）所取代。

　　（一）语音识别系统对环境敏感，采集到的语音训练系统只能应用于与之对应的环境，而且当用户输入错误时不能正确响应，应用起来相对困难；（二）必须采取新的新号处理方法来处理人在高噪声环境下的发音变化的问题；（三）语言模型、语法及词法模型在中、大词汇量连续语音识别中无法正确、合理的运用，需要有效地利用语言学、心理学及生理学等方面的研究成果；现阶段的科学技术对人类生理学诸如听觉系统分析理解功能、大脑神经系统的控制功能等还不够，更无法应用于语音识别；语音识别系统从实验室演示系统向商品的转化过程中还有许多具体细节技术问题需要解决。

　　目前语音识别系统很难做到排除各种声学环境因素的影响，而人类语言在日常生活中的随意性和不确定性给语音识别系统造成极大的识别困难。所以，要应用现代技术智能化语音识别系统，以达到更好的识别效果；

　　目前语音识别系统使用的声学模型和语音模型过于局限，需要通过改进系统建模方法、提高搜索算法的效率来做到词汇量无限制和多重语言混合，减少词汇量对语音识别系统的限制；

　　语音识别系统在商业上的用途相当广泛，利用先进的微电子技术，将具有先进功能和性能的语音识别应用系统固化到更加微小的芯片或模块上，可以缩减成本，更方便的推广和使用。语音识别系统和微电子芯片技术的发展将引领信息技术革命到一个新的台阶。语音识别系统使人沟通更加自由，使人可以方便地享受到更多的社会信息资源和现代化服务。这必然会成为语音识别技术研究和应用的重要发展趋势。

　　21世纪，信息和网络飞速发展，信息和网络的时代已经来临，人与人之间的距离随着Internet和移动电话网的连接和普及变得越来越近，信息资源扩散的越来越迅速，人与机器的交互显得尤为重要。语音识别技术的研究和应用可以让人无论何时何地都可以通过语音交互的方式实现任何事，可以使人更方便的享受更多的社会信息资源和现代化服务，所以，如何将这一技术可靠的、低成本的应用于商业和日常生活，是语音识别技术的发展方向和趋势。

　　[1]刘钰.语音识别技术概述[J].计算机光盘软件与应用，2010：14-17.

　　[2]盛青.语音自动识别技术及其软件实时实现[J].西北工业大学，2001：45-47.

　　[3]廖锎.浅析语音识别技术的发展及趋势[J].科技传播，2010：34-36.

　　[5]王敏妲.语音识别技术的研究与发展[J].微型机与应用，2009：55-58.