语音识别技术综述 The summarization of speech recognition 张永双 苏州大学 摘要 本文回顾了语音识别技术的发展历史，综述了语音识别系统的结构、分类及基本方法，分析了语音识别技术面临的问题及发展方向。 关键词：语音识别；特征；匹配 Abstact This article review the courses of speech recognition technology progress ,summarize the structure,classifications and basic methods of speech recognition system and analyze the direction and the issues which speech recognition technology development may confront with. Key words: speech recognition;character;matching 引言 语音识别技术就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技术。语音识别是一门交叉学科，所涉及的领域有信号处理、模式识别、概率论和信息论、发声机理和听觉机理、人工智能等等，甚至还涉及到人的体态语言（如人民在说话时的表情手势等行为动作可帮助对方理解）。其应用领域也非常广，例如相对于键盘输入方法的语音输入系统、可用于工业控制的语音控制系统及服务领域的智能对话查询系统，在信息高度化的今天，语音识别技术及其应用已成为信息社会不可或缺的重要组成部分。 1.语音识别技术的发展历史 语音识别技术的研究开始二十世纪50年代。1952年，AT&Tbell实验室的Davis等人成功研制出了世界上第一个能识别十个英文数字发音的实验系统：Audry系统。
中国中文信息学会第七次全国会员代表大会 暨学会成立30周年学术会议 语音识别发展现状与展望中科院自动化研究所徐波 2011年12月4日
报告提纲 ?语音识别技术现状及态势?语音识别技术的行业应用?语音识别技术研究方向?结论与展望
2010年始语音识别重新成为产业热点?移动互联网的兴起成为ASR最重要的应用环境。在Google引领下，互联网、通信公司纷纷把语音识别作为重要研究方向 –Android系统内嵌语音识别技术，Google语音 翻译等； –iPhone4S 上的Siri软件； –百度、腾讯、盛大、华为等都进军语音识别领 域； –我国语音技术领军企业讯飞2010年推出语音云识别、讯飞口讯 –已有的QQ2011版语音输入等等
成熟度分析-技术成熟度曲线 ?美国市场调查咨询公司Gartner于2011年7月发布《2011新兴技术成熟度曲线》报告：
成熟度分析-新兴技术优先矩阵?Gartner评出了2011年具有变革作用的技术，包括语音识别、语音翻译、自然语言问答等。其中语音翻译和自然语言问答有望在5-10年内获得大幅利用，而语音识别有望在2-5年内获得大幅利用；
三十年语音识别技术发展 ---特征提取与知识方面?MFCC，PLP，CMS，RASTA，VTLN；?HLDA, fMPE，neural net-based features ?前端优化 –融入更多特征信息(MLP、TrapNN、Bottle Neck Features等） ?特征很大特点有些是跟模型的训练算法相匹配?大规模FSN图表示，把各种知识源集中在一起–bigram vs. 4-gram, within word dependencies vs. cross-word
语音识别改进方法及难点分析 ——《模式识别》结课小论文 学院：化工与环境学院 学号：2120151177 姓名：杜妮
摘要：随着计算机技术的不断发展，人工智能程度也越来越高，作为人工智能的一部分——模式识别也在模型和算法上愈发成熟。本文根据近105年文献，分析最新声音识别的方法和应用。 关键字：模式识别声音识别方法应用 随着人工智能的迅速发展，语音识别的技术越来越成为国内外研究机构的焦点。人们致力于能使机器能够听懂人类的话语指令，并希望通过语音实现对机器的控制。语音识别的研究发展将在不远的将来极大地方便人们的生活。 语音识别大致的流程包括：特征提取、声学模型训练、语音模型训练以及识别搜索算法。作为一项人机交互的关键技术，语音识别在过去的几十年里取得了飞速的发展，人们在研究和探索过程中针对语音识别的各部流程进行了各种各样的尝试和改造，以期发现更好的方法来完成语音识别流程中的各步骤，以此来促进在不同环境下语音识别的效率和准确率。本文通过查阅近10年国内外文献，分析目前语音识别流程中的技术进展和趋势，并在文章最后给出几项语音识别在日常生活中的应用案例，从而分析语音识别之后的市场走势和实际利用价值。 一、语音识别的改进方法 (一)特征提取模块改进 特征提取就是从语音信号中提取出语音的特征序列。提取的语音特征应该能完全、准确地表达语音信号，特征提取的目的是提取语音信号中能代表语音特征的信息，减少语音识别时所要处理的数据量。语音信号的特征分析是语音信号处理的前提和基础，只有分析出可以代表语音信号本质特征的参数，才能对这些参数进行高效的语音通信，语音合成，和语音识别等处理，并且语音合成的好坏，语音识别率的高低，也都取决于语音特征提取的准确性和鲁棒性。目前，针对特定应用的中小词汇量、特定人的语音识别技术发展已较为成熟，已经能够满足通常应用的要求，并逐步投入了实用。而非特定人、大词汇量、连续语音识别仍是
目前主流的语音识别技术是基于统计模式识别的基本理论。一个完整的语音识别系统可大致分为三部分： （1）语音特征提取： （2）声学模型与模式匹配（识别算法） （3）语义理解：计算机对识别结果进行语法、语义分析。 语音识别技术，也被称为自动语音识别Automatic Speech Recognition，(ASR)， 语音识别的发展简史 1952年AT& T Bell实验室实现了一个单一发音人孤立发音的十个英文数字的语音识别系统，到现在的人机语音交互。语音识别研究从二十世纪50年代开始到现在历半个多世纪的蓬勃发展，在这期间获得了巨大的进展。 现代语音识别技术研究重点包括即兴口语的识别和理解，自然口语对话，以及多语种的语音同声翻译。 语音识别应用的特点 1.语音识别系统必须覆盖的功能包括： （1）语音识别系统要对用户有益（希望它是能检测到的）。例如提高生产率，容易使用，更好的人机界面，或更自然的信息交流模式。 （2）语音识别系统要对用户“友好”。这种“友好”的含义是：用户在和系统进行语音对话时感到舒适；系统的语音提示既有帮助，又很亲近。 （3）语音识别系统必须有足够的精度 （4）语音识别系统要有实时处理能力；例如系统对用户询问的响应时间要很短。 2. 语音识别错误的处理 有以下四种方式可以处理这个问题。 （1）错误弱化法。这种处理仅仅花费用户很少一点时间，对用户几乎没什么其它不利影响。 （2）错误自检纠正法 系统利用已知任务的限制自动地检测并纠正错误。 （3）确认或多层次判定
（4）拒绝/转向人工座席。系统对其中通常较易导致系统识别错误的极少部分语音指令拒绝做出识别决定，而是将其转给人工座席。 在很多情况下，语音识别技术可以充分发挥出RFID的潜能： 1.积压产品、脱销产品 2.被废弃、被召回或已过期产品 3.回收的商品 4.促销产品 RFID系统在利用原有语音导向投资的情况下可以大大增加收益 语音识别技术在邮件分拣中的应用 现代化分拣设备在邮政上的应用大大提高了邮件处理的效率。但是，并不是所有的邮件都能上分拣机处理，那些需要人工处理的邮件成了邮政企业实现自动化的瓶颈。邮政使用人工标码技术以及先进的计算机软件 系统来处理不能上机的邮件，仍需要大量的劳动力。 由MailCode公司开发并准备申请专利的Spell-ItTM软件技术通过提高系统数据库能力的方式对语音识别自动化设备进行了革命性的变革。这种技术提供了无限的数据库能力，并且保证分拣速度不会因数据库的增大而减小。由各大语音引擎公司开发的系统还支持世界上的各种主要语言，这样，语音技术就成为世界性的产品。 以英语语音识别系统为例，系统建立了36个可识别字符26个字母加上0～9的10个数字，同时还建立了一套关键词。Spell-It软件使用这些字符来识别成千上万的口语词汇和无数的词语组合。 对于大公司的邮件收发中心来说，使用MailCode公司的Spell-It软件技术，分拣员实际上只需发出几个字符的音来找到和数据库中相对应的词。例如：碰到了寄给Joseph Schneider的邮件，操作员只需发出“J”、“S”、“C”和“H”几个音就可以得到准确的分拣信息。 姓名和邮箱编码：Jennifer Schroeder, 软件工程部；Joseph Schneider, 技术操作部；Josh Schriver, 技术操作部，因为这三个姓名全都符合（J,S,C,H）的发音标准。邮件中心的操作员知道邮件实际上是寄给Joseph Schneider的，就可以把邮件投入Joseph Schneide的信箱了。 邮局要把邮件按投递路线分发，分拣员必须熟悉长长的投递段列表以及各种各样的国际邮件投递信息。Spell-It技术把地址、投递路线等信息都存入了系统，这样就大大方便了分拣工作。 例如，有一件寄往Stonehollow 路2036号的邮件。使用语音识别技术，分拣员仅仅需要发出“2”、“0”、“S”、“T”和“O”几个音，如表2所示，数据库就会给出所有可能和这几
语音识别的发展及应用 本文介绍了隐马尔可夫模型（Hidden Markov Model，HMM），传统的人工神经网络语音识别方法以及改进的人工神经网络，针对最近研究热点深度学习在语音识别中的应用做了详细的描述，并对与人工神经网络在语音识别中的缺点进行阐述，就如何将HMM与深度神经网络联合起来运用到语音识别中进行详细的分析与介绍。 标签：隐马尔科夫模型人工神经网络深度学习 一、引言 伴随着计算机技术的不断进步以及人工智能学科的飞速发展。人们对大脑学习、思维机能的研究逐渐深入。人工神经网络作为借鉴人脑神经元互相连结构的信息处理网络，受到了广泛的关注。深度学习作为人工神经网络的一个分支，能够从海量的数据中挖掘到有效的信息，成为语音识别领域的一个研究热点。 二、隐马尔科夫模型 隐马尔可夫模型[3]（HMM）是马尔可夫链的一种，它的状态不能直接观察到，但能通过观测向量序列观察到，每个观测向量都是通过某些概率密度分布表现为各种状态，每一个观测向量是由一个具有相应概率密度分布的状态序列产生。所以，隐马尔可夫模型是一个双重随机过程——具有一定状态数的隐马尔可夫链和显示随机函数集。 隐马尔科夫模型（HMM）可以用五个元素来表示，包括两个状态集合和三个概率矩阵：1.隐含状态S;2.可转移状态O;3aaaa.初始状态概率矩阵π;4.隐含状态转移概率矩阵A;5.观测状态转移概率矩阵B。一般的，可以用λ=（A，B，π）三元组来简洁的表示一个隐马尔科夫模型。应用隐马尔科夫模型通常解决三类基本问题：1.评估问题;2.解码问题;3.学习问题。 隐马尔可夫模型是目前进行声学建模的主流技术。采用5状态的连续HMM 模型（见图1），其中1、5状态只起连接作用，没有观测概率，第2、3、4状态有高斯概率分布，假设特征参数是相互独立的，所以规定协方差矩阵为对角阵。 图1 五状态HMM模型结构 三、深度神经网络模型 1.神经网络的基本概念 神经网络即人工神经网络，是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法的数学模型。此网络依靠系统的复杂程度，通过调整内部大
语音AgentNet 的整体实现张宇伟
摘要： 本文论述了一个人机对话应用的实现(我命名它为AgentNet)。其应用实例为一种新的整合了语音技术的智能代理网络服务。 服务器端开发使用了微软SQL SERVER 7.0技术,客户端使用了微软Agent ，微软Specch SDK5语音合成，和语音识别技术。网络连接使用了SOCKET 技术,并论述了高层网络协议的实现。 [关键词] 人机对话，MS-AGENT,语音合成，语音识别，网络编程 [Abstract] This paper discuss a new actualization of man-machine conversation application, which is based on a modal of network service. And I name this service with the name of AgentNet. The development of this service used Microsoft SQL SERVER 7.0. And the client used the technology of Microsoft Agent, TTS (Text To Speech),SR(Speech Recognition).Also the client and the server connect with SOCKET. On the SOCKET, the paper discuss the development of High-Level net protocol. [Key Words] Man-Machine Conversation, MS-AGENT, TTS , SR ,Net Work Programming
语音识别是以语音为研究对象，通过语音信号处理和模式识别让机器自动识别和理解人类口述的语言。语音识别技术就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技术。语音识别是一门涉及面很广的交叉学科，它与声学、语音学、语言学、信息理论、模式识别理论以及神经生物学等学科都有非常密切的关系。语音识别技术正逐步成为计算机信息处理技术中的关键技术，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语音识别的基本原理 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，它的基本结构如下图所示： 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。而计算机在识别过程中要根据语音识别的模型，将计算机中存放的语音模板与输入的语音信号的特征进行比较，根据一定的搜索和匹配策略，找出一系列最优的与输入语音匹配的模板。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。显然，这种最优的结果与特征的选择、语音模型的好坏、模板是否准确都有直接的关系。2语音识别的方法 目前具有代表性的语音识别方法主要有动态时间规整技术（DTW）、隐马尔可夫模型（HMM）、矢量量化（VQ）、人工神经网络（ANN）、支持向量机（SVM）等方法。 动态时间规整算法（Dynamic Time Warping，DTW）是在非特定人语音识别中一种简单有效的方法，该算法基于动态规划的思想，解决了发音长短不一的模板匹配问题，是语音识别技术中出现较早、较常用的一种算法。在应用DTW算法进行语音识别时，就是将已经预处理和分帧过的语音测试信号和参考语音模板进行比较以获取他们之间的相似度，按照某种距离测度得出两模板间的相似程度并选择最佳路径。 隐马尔可夫模型（HMM）是语音信号处理中的一种统计模型，是由Markov链演变来的，所以它是基于参数模型的统计识别方法。由于其模式库是通过反复训练形成的与训练输出信号吻合概率最大的最佳模型参数而不是预先储存好的模式样本，且其识别过程中运用待识别语音序列与HMM参数之间的似然概率达到最大值所对应的最佳状态序列作为识别输出，因此是较理想的语音识别模型。 矢量量化（Vector Quantization）是一种重要的信号压缩方法。与HMM相比，矢量量化主要适用于小词汇量、孤立词的语音识别中。其过程是将若干个语音信号波形或特征参数的标量数据组成一个矢量在多维空间进行整体量化。把矢量空间分成若干个小区域，每个小区域寻找一个代表矢量，量化时落入小区域的矢量就用这个代表矢量代替。矢量量化器的设计就是从大量信号样本中训练出好的码书，从实际效果出发寻找到好的失真测度定义公式，设计出最佳的矢量量化系统，用最少的搜索和计算失真的运算量实现最大可能的平均信噪比。在实际的应用过程中，人们还研究了多种降低复杂度的方法，包括无记忆的矢量量化、有记忆的矢量量化和模糊矢量量化方法。 人工神经网络（ANN）是20世纪80年代末期提出的一种新的语音识别方法。其本质上是一
浅谈语音识别技术的应用和发展 摘要语音识别技术就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技术,其最终目标是实现人与机器进行自然语言通信。语音作为一个交叉学科,具有深远的研究价值,近50年的研究发展,语音识别技术已经有了极大的发展。本文介绍了语音识别技术的基本原理和应用,并且对语音识别技术的发展趋势进行了展望。 关键词语音识别;应用;发展 0 引言 语音是人类互相之间进行交流时使用最多、最自然、最基本、最重要的信息载体。在高度信息化的今天,语音处理的一系列技术及其应用已经成为信息社会不可缺少的组成部分。语音的产生是一个复杂的过程,包括心理和生理等方面的一系列因素。当人们需要通过语音表达某种信息时,首先是这种信息以某种抽象的形式表现在说话人的大脑里,然后转换为一组神经信号,这些神经信号作用于发声器官,从而产生携带信息的语音信号。 1 语音识别的研究历史及现状 在国外语音识别的研究工作可以追溯到上世纪50年代。1952年AT&T贝尔实验室的Audry系统是第一个可以识别十个英文数字的语音识别系统。 上世纪60年代末70年代初出现了语音识别方面几种基本思想,其中重要成果是提出了信号线性预测编码(LPC)技术和动态时间规整(DTW)技术,有效的解决了语音信号特征提取和不等长语音匹配问题,同时,还提出了矢量量化(VQ)和隐马尔可夫模型(HMM)理论。 上世纪80年代语音识别研究进一步走向深入,其显著特征是隐马尔可夫模型(HMM)和人工神经网络(ANN)在语音识别中的成功应用。上世纪90年代,在计算机技术、电信应用等领域飞速发展的带动下,迫切的要求语音识别系统从实验室走向实际应用。具代表性的是IBM的Via V oice和Dragon公司的Dragon Dictate 系统,这些语音识别系统具有说话人自适应能力,新用户不需要对全部词汇进行训练便可在使用中不断提高识别率[1]。
语音识别入门（V1.0） 丁鹏、梁家恩、苏牧、孟猛、李鹏、王士进、王晓瑞、张世磊 中科院自动化所高创中心，北京，100080 【摘要】本文主要以剑桥工程学院（CUED）的语音识别系统为例，并结合我们实验室自身的研究与开发经验，讲述当前主流的大词汇量连续语音识别系统（LVCSR）的框架和相关技术，对实验室的同学进行一个普及和入门引导。 【关键词】语音识别，HTK，LVCSR，SRI 1. 引言 语音识别技术发展到今天，取得了巨大的进步，但也存在很多的问题。本文主要以CUED 的语言识别系统为例，说明LVCSR系统技术的最新进展和研究方向，对实验室的同学进行一个普及和入门引导。 1.1 国际语音识别技术研究机构 （1）Cambridge University Engineering Department (CUED) （2）IBM （3）BBN （4）LIMSI （5）SRI （6）RWTH Aachen （7）AT&T （8）ATR （9）Carnegie Mellon University (CMU) （10）Johns Hopkins University (CLSP) 1.2 国际语音识别技术期刊 （1）Speech Communication （2）Computer Speech and Language (CSL) （3）IEEE Transactions on Speech and Audio Processing 1.3 国际语音识别技术会议 （1）ICASSP（International Conference on Acoustic, Speech and Signal Processing）每年一届，10月截稿，次年5月开会。 （2）ICSLP（International Conference on Spoken Language Processing） 偶数年举办，4月截稿，9月开会。
语音识别的应用 语音识别可以应用的领域大致分为大五类：办公室或商务系统。典型的应用包括：填写数据表格、数据库管理和控制、键盘功能增强等等。制造业：在质量控制中，语音识别系统可以为制造过程提供一种“不用手”、“不用眼”的检控（部件检查）。电信：相当广泛的一类应用在拨号电话系统上都是可行 的，包括话务员协助服务的自动化、国 际国内远程电子商务、语音呼叫分配、 语音拨号、分类订货。医疗：这方面的 主要应用是由声音来生成和编辑专业的 医疗报告。其他：包括由语音控制和操 作的游戏和玩具、帮助残疾人的语音识 别系统、车辆行驶中一些非关键功能的 语音控制， 如车载交通路况控制系统、 音响系统。 当语音识别技术应用到计算机桌面 的时候，这看起来似乎是一个好主意。 但是，对于大多数人来说，语音识别还 不能取代键盘和鼠标。现在，语音技术 正用于一个全新的环境：手机。语音识 别技术在手机中的应用将进一步推动这 语音识别是以语音为研究对象， 通过语音信号处理和模式识别让机器自动识别和理解人类口述的语言。语音识别技术就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技术。语音识别是一门涉及面很广的交叉学科，它与声学、语音学、语言学、信息理论、模式识别理论以及神经生物学等学科都有非常密切的关系。语音识别技术正逐步成为计算机信息处理技术中的关键技术，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。 语音识别技术在手机中的应用
专题报道2011年第7期 种技术向新的方向发展和应用。这是语音识别技术在台式电脑应用中从来没有涉足的方向。 IBM在60年代初期创建了一个名为“Shoebox”的试验性的语音识别系统。这个系统解决了口语算法问题。语音识别技术是在50年代作为一项早期的技术第一次出现的，当时主要是由于好奇。在60年代初，IBM的“Shoebox”设备能够识别出16个口语单词并且能够回答简单的数学问题，如“3 ＋ 4 =？”。 Dragon Systems在80年代初为DOS计算机推出的DragonDictate可能是第一个语音识别应用程序。这个应用程序只能识别单个单词，每次只说一个单词。随着时间的推移，这个应用程序已经发展成为名为“Dragon NaturallySpeaking”（目前是第11个版本，由Nuance通讯公司所有）的产品。这个应用程序能够翻译以正常的会话语音和速度读出的文本。 语音识别技术在台式电脑中的应用有两个制约因素。第一，为了使这个应用程序以更高的准确性工作，这个应用程序必须要进行训练以便识别用户的语音特征。Windows Vista和Windows 7操作系统中的本地语音转换文本技术和Dragon NaturallySpeaking等第三方产品仍然都需要一个用户训练期才能使用。 第二个制约因素是键盘的流行程度。大多数人已经习惯于键盘打字而不是讲话，因此，语音控制面临Dvorak键盘布局同样的应用障碍。当简单的老式QWERTY键盘供货充足并且工作的很好的时候，为什么要学习使用Dvorak键盘呢？ 微软TellMe团队是负责为多媒体环境开发语音识别技术的部门。TellMe团队高级产品经理Abhi Rele指出，在台 式电脑环境，用户有方便的人机交流模 式，如键盘和鼠标。因此，语音的使用 主要是针对语音爱好者的。 语音控制的计算更广泛的应用需要 两件事情：更好的方便的应用和主要使 用语音的地方。手机正是很长时间以来 一直在增长的这种地方。 Nuance负责产品管理和营销的副总 裁Matt Revis解释说，台式电脑和移动环 境的区别是这样的：台式电脑是一个固 定的环境，重点完全在于台式电脑的使 用情况。因此，台式电脑的语音技术主 要执行如下任务：支持办公应用程序、 网络浏览、通讯等。在移动方面，语音 更多地用于支持各种生活方式方面：移 动中的专业人员、户外的有趣活动、免 提电话等等。 Gartner分析师Tuong Nguyen赞同这 个观点：语音在移动环境中更有意义。 他说，从使用的角度看，掌上设备的语 音识别功能价值更大。它增加了用户友 好的、方便的输入方式。 Nguyen补充说，如果不用 语音技术说出一个简单的说明语 句，而是翻动许多菜单或者努力 地在小显示屏键盘上进行输入， 语音识别的价值就显现出来了。 随着触摸屏设备（没有物理键 盘）应用的增长，语音识别技术 将用来增强数据输入和输出。语 音识别还支持免提要求或者法律 要求。 在移动设备方面 因为移动设备一般仅支持 台式电脑的一部分存储和处理功 能，语音处理需要一些时间才能 以基本的形式出现在手机中。 语音处理Springer手册解释了手机 在2000年代初的情况。尽管那时还有 一些局限性，但是，手机经过编程之后 能够识别逐个数字的拨号语音，在某种 程度上还能识别人的名字。主要问题是 内存，因此，大多数手机一次只能识别 10个数字或者名字。但是，这些作者指 出的另一个问题是这个功能使用的比较 少，可能是因为手机厂商在这方面的营 销很糟糕。 随着手机的增加内存和增强处理能 力，普通手机的识别能力也增强了。三 星电子在2005年发布的售价99美元的 SCH-p-207型手机增加了语音至文本的 听写功能和语音拨号功能。随着内存达 到数百MB和存储容量达到数GB，目前 这一代智能手机很少受到限制。 另一个关键的进步是网络速度。 速度更快的无线网络浪潮抬高了许多大 船，包括最新一代的语音处理技术。速 度更快的网络能够把语音处理任务从网 络迁移到远程服务器。 谷歌语音搜索产品经理Amir Mane
52国家自然科学基金资助项目.收文日期:1997年6月12日(June 12,1997) ΞV ol.3N o.1M arch 1998 电路与系统学报JOURNAL OF CIRCUIT S AND S Y S TEMS 第3卷第1期 1998年3月Ξ 语音识别的非线性方法董远胡光锐 (上海交通大学电子工程系,上海,200030) 【摘要】语音信号是一个复杂的非线性过程,这使得基于线性系统理论发展起来的传统语音识别技术性能难以进一步提高。近年来人们开始逐渐重视非线性理论在语音识别技术中的应用。本文概括地介绍了非线性理论在语音识别技术中的所取得的成果和发展方向,除了涉及较为流行的隐马尔柯夫过程和人工神经网络在语音识别中的应用外,文中着重论述了近年来发展迅猛的混沌、分形理论在语音识别中的应用,本文最后还提到了不可忽视的分形理论在语音编码中的应用。 【关键词】语音识别,隐马尔柯夫过程,人工神经网络,混沌,分形,迭代函数系统,语音编码 Non 2linear Methods for S p eech Reco g nition D on g Y uan Hu G uan g rui (De p t.of E lectronic En g ineerin g ,Shan g hai Jiaoton g Universit y ,Shan g hai ,200030) Abstract :S p eech si g nal is traditionall y treated as a linear p rocess.H ow ever ,it is indicated b y extensive research that the s p eech si g nals are actuall y com p licated non 2linear p rocesses.T o im p rove the reco g nition rate ,recent research ef 2fort has started to m i g rate to anal y ze s p eech si g nal usin g non 2linear theor y .T his article summ arizes the new develo p m ent in this area.Besides HM M and ANN ,which have been w idel y used b y m an y authors ,this p a p er introduces in p articular a series of fast g row in g non 2linear such as chaotic and fractal theories and their a pp lications in s p eech reco g nition and codin g . K e y w ords :s p eech reco g nition ,HM M ,ANN ,chaos ,fractal ,IFS ,s p eech codin g 引言 语音识别技术自本世纪五十年代起步发展至今已四十多年,取得了很大的进步,语音识别的研究愈来愈受到人们的重视。 语音信号处理分别基于确定性线性系统理论和不确定性非线性系统理论。80年代的子词单元、多级识别、多模板和聚类技术、连续语音匹配技术等语音识别方法都是基于线性系统理论。经研究表明,语音信号是一个复杂的非线性过程,这使得基于线性系统理论发展起来的传统语音识别技术性能难以进一步提高。近年来发展起来并逐渐完善的非线性科学为语音识别技术的发展带来了新的生机。 1语音识别与隐马尔柯夫过程(HM M ) 在传统的线性理论难以使得语音识别技术进一步提高时,随着对隐马尔柯夫模型(HM M )的重新认识和广泛应用,掀起了语音识别研究的一个热潮[1]。 语音信号是短时平衡的随机信号,在足够小时音段上语音信号的特性近似稳定,就整个语音序列而言,它可以看成是依次从相对稳定的某一状态过渡到另一状态。尽管如此,语音信号序列用一个按预定顺序排列的状态转移过程来描述是不够充分的,因为不同发音人、不同的发音环境、不同的发音时间发
语音识别研究及应用 目前关于语音识别的研究及应用主要集中在以下几个方面： 一、语音控制（Voice\Command)： 即用人声控制机器的动作。目前单独支持中文或英文的语音控制环境已经比较成熟，市场上的各产品都能较好地实现，但同时支持中文和英文语音控制的产品并不多见，而目前中国众多电脑使用者大多同时使用中英文软件。 二、电子发声（Voice—Text): 即让电脑念文章，这是人与电脑沟通的一个重要方面，英文电子声研究成果很多，中文还处于起步状况。但此类软件还未有实质性突破，主要问题在于电子味道较浓。单词的电子发音较好，但连续语音方面效果较差，而且大多设置复杂，无法直接使用。 三、连续语音识别（Continual Speech）： 中英文连续语音识别技术都已进入使用阶段，IBMVIAVOICE是典型产品，但同样存在无法实现中英文混合识别问题。连续语音识别目前的主要问题集中在： 1、非标准音的用户需要较长的学习适应过程 2、由于使用隐马尔科夫算法，对中文多音字的识别虽然有了很大进展，但依旧存在很大问题，目前主要的识别错误基本都来自此类问题。 四、非连续语音识别（WordRecognize): 对有限词的识别技术相对较完善，但大词汇量非特定人等方面识别效果很差。尤其对其中爆破音、后鼻音的识别十分困难。 五、语音学习（Training): 这是语音识别的一个较新方向，它的侧重点与传统的语音识别不同，通常意义的语音识别是通过电脑适应人的发音来识别人的说话，而它则要求人模仿标准发音，其面临的困难是如何衡量人模仿的好坏。金洪恩公司的《随心所欲说英语》就是采用“语音学习”的技术制作的，并收到了良好的效果。
语音识别技术的发展与未来-标准化文件发布号：（9456-EUATWK-MWUB-WUNN-INNUL-DDQTY-KII
语音识别技术的发展与未来 与机器进行语音交流，让它听明白你在说什么。语音识别技术将人类这一曾经的梦想变成了现实。语音识别就好比“机器的听觉系统”，该技术让机器通过识别和理解，把语音信号转变为相应的文本或命令。 在1952年的贝尔研究所，Davis等人研制了世界上第一个能识别10个英文数字发音的实验系统。1960年英国的Denes等人研制了第一个计算机语音识别系统。 大规模的语音识别研究始于上世纪70年代以后，并在小词汇量、孤立词的识别方面取得了实质性的进展。上世纪80年代以后，语音识别研究的重点逐渐转向大词汇量、非特定人连续语音识别。 同时，语音识别在研究思路上也发生了重大变化，由传统的基于标准模板匹配的技术思路开始转向基于统计模型的技术思路。此外，业内有专家再次提出了将神经网络技术引入语音识别问题的技术思路。 上世纪90年代以后，在语音识别的系统框架方面并没有什么重大突破。但是，在语音识别技术的应用及产品化方面出现了很大的进展。比如，DARPA是在上世界70年代由美国国防部远景研究计划局资助的一项计划，旨在支持语言理解系统的研究开发工作。进入上世纪90年代，DARPA计划仍在持续进行中，其研究重点已转向识别装置中的自然语言处理部分，识别任务设定为“航空旅行信息检索”。 我国的语音识别研究起始于1958年，由中国科学院声学所利用电子管电路识别10个元音。由于当时条件的限制，中国的语音识别研究工作一直处于缓慢发展的阶段。直至1973年，中国科学院声学所开始了计算机语音识别。 进入上世纪80年代以来，随着计算机应用技术在我国逐渐普及和应用以及数字信号技术的进一步发展，国内许多单位具备了研究语音技术的基本条件。与此同时，国际上语音识别技术在经过了多年的沉寂之后重又成为研究的热点。在这种形式下，国内许多单位纷纷投入到这项研究工作中去。 1986年，语音识别作为智能计算机系统研究的一个重要组成部分而被专门列为研究课题。在“863”计划的支持下，中国开始组织语音识别技术的研究，并决定了每隔两年召开一次语音识别的专题会议。自此，我国语音识别技术进入了一个新的发展阶段。 自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。
仪器科学与电气工程学院 本科毕业论文（设计）开题报告题目：用于智能家居的语音识别系统设计 学生姓名：学号： 专业：电气工程及其自动化 指导教师：讲师 2015年1月3日
1. 选题依据 1.1选题背景 语言作为人类信息交流中最重要的和最方便的方式,人与机器的交流能否像人与人一样自如,是人们研究的问题。控制论创始人维纳在1950年就曾指出:“通常,我们把语言仅仅看作人与人之间的通信手段,但是,要使人向机器,机器向人以及机器向机器讲话,那也是完全办得到的”。 随着现代科学技术的进一步发展和人民生活水平不断的提高,人们对家庭住宅需求的概念也发生了彻底的改变。人们正在从以往追求房屋空间的宽阔和装饰的亮丽、豪华,向着追求品味、安全、舒适、便捷和智能方向发展。现在的家庭不仅要满足人们生活、工作、娱乐和交流的需要,同时还可以提供充分的安全防护、物业管理等手段。智能家居是建筑艺术、生活理念与信息技术、电子技术等现代高科技手段完美结合的产物,它的出现满足了人们对住宅高性能、智能化的要求21世纪信息时代的到来,IT产业的发展和人们生活水平的提高,“智能家居”、“家庭自动化”、“网络家电”、“家庭网络”等技术的推动,智能家居的生活已经近在咫尺。 在智能家居中传统的家用电器的控制,无外乎两种控制方式:手动或遥控。随着家用电器的增多,开关和遥控越来越多,使用极不方便。这时,我们可以釆用语音识别的方式控制,例如,在观看电视频道时,我们可以很方便地直接说出“中央一套”来,所以语音识别及控制在智能家居中尤其重要。 1.2国内外研究现况 1、语音识别技术的发展 就技术而言，目前国内外对语音识别理论及各种实用算法的研究是一热点。人们普遍关心的问题是不断提高语音识别的识别率、识别更多的词汇量、扩大语音识别的应用等研究。语音识别技术发展到今天，PC 机的语音识别系统己经趋于成熟，而且还出现了一些具有实用价值和市场语音识别前景的语音识别芯片。近几年来，个人消费类电子产品的广泛使用，使大量的识别系统从实验室 PC 平台转移到嵌入式平台设备中，现在嵌入式对特定人语音识别系统的识别精度己经达到 98%以上。嵌入式语音识别系统和 PC 机的语音识别系统相比，虽然其运算速度和内存容量有一些限制，但是它也有各自的特点。嵌入式系统体积小、可靠性高、耗电低、投入小、便于移动等优点，是嵌入式语音识别系统和 PC 机的语音识别系统相比的最大优势。而且嵌入式语音识别系统多为实时系统，当用户讲话后，系统能够立即完成词条识别并作出反应。这些特点决定了嵌入式语音识别系统的应用十分广泛。可以预测在近几年内，嵌入式语音识别系统的应用将更加广泛。各种语音识别系统将出现在市场上。根据美国专家预测，具有语音识别功能的产品可达 50 亿美元。在短期内还不可能具
语音识别方法 语音特征提取 将语音信号转换为特征向量，通过这些向量来进行语音相关任务的训练与识别。 语音识别对特征参数有如下要求： 1. 能将语音信号转换为计算机能够处理的语音特征向量； 2. 能够符合或类似人耳的听觉感知特性； 3. 在一定程度上能够增强语音信号、抑制非语音信号； 常用特征提取方法有如下几种： ●LPC ●声谱图 ●倒谱分析 ●MFCC (最常用) 声谱图 将一段连续的语音信号通过分帧、FFT、灰度映射转换为离散、低维的特征向量，框架图如下：
声谱图表示法流程 基本流程如下： （1）将一段语音做分帧处理，即将其剪切为一段段语音片段（20~50ms之间）； （2）将每一帧的语音信号通过短时傅里叶变换（FFT）转为频域信号，得到每一帧的频 谱图，如下图所示，横轴为频率、纵轴为当前频率对饮的能量值。在实际使用中，频谱图有 三种，即线性振幅谱、对数振幅谱、自功率谱（对数振幅谱中各谱线的振幅都作了对数计算，所以其纵坐标的单位是dB（分贝）。这个变换的目的是使那些振幅较低的成分相对高振幅成分得以拉高，以便观察掩盖在低幅噪声中的周期信号）；
语音频谱图 （3）将每一帧的频谱值映射为灰度图，灰度的深浅就代表了该频率段能量的大小，很黑的地方就是频谱图中的峰值（共振峰formants）。 倒谱分析 倒谱就是一种信号的傅里叶变换经对数运算后再进行傅里叶反变换得到的谱。倒谱分析 的目标是：从语音频谱中得到它的频谱包络（连接所有共振峰值点的平滑曲线），它在语音识别中被广泛用于描述特征。主要流程如下： 1.将原语音信号经过傅里叶变换得到频谱：X[k]=H[k]E[k]，只考虑幅度就是：|X[k] |=|H[k]||E[k] |； 2.我们在两边取对数：log||X[k] ||= log ||H[k] ||+ log ||E[k] ||； 3.再在两边取逆傅里叶变换得到：x[k]=h[k]+e[k]。 下面是一个语音的频谱图。峰值就表示语音的主要频率成分，把这些峰值称为共振峰（formants），而共振峰就是携带了声音的辨识属性，用它就可以识别不同的声音。因此，需要把它提取出来。提取的不仅是共振峰的位置，还得提取它们转变的过程。所以我们提取
语音识别的研究现状和应用前景 语音识别技术并不是一夜之间冒出来的神话,早在三四十年前,在美国的一些大学和研究单位，就已经有人开始从事这一方向的研究，并有一些相关论文发表；七十年代前后，研究的脉络日渐清晰，于是贝尔实验室和国际商用机器公司(I BM)等都先后建立了专门的研究机构。今天这两家公司在这一领域都已取得了显著的成果，并且在商业上应用成功,但贝尔实验室主要是偏重于电信方面应用的语音识别系统，如电话查询等；而I BM则偏重于商务应用，因而在连续语音识别上取得了不小的成功。 不谈商业方面的应用，事实上，很多家公司都提供语音识别的引擎 (En gi ne)，并且都表示能支持微软的SA PI。看一看 SA PI4.0 SU ITE 就不难发现，微软在这方面的研究并不逊于任何一家公司，只是很奇怪它居然没有将成果商业化。微软同时提供了一系列引擎，如 Spee ch R e cog ni ti on ( 语音识别)、C omm and & C ont rol( 发布指令并控制)、Ph one Qu ery ( 电话语音识别)、T ext to spee ch( 文本语音转换) 等。 今天，许多用户已经能享受到语音技术的优势了，可以对计算机发送命令，或者要求计算机记录下用户所说的话，以及将文本转换成声音朗读出来。尽管如此，距离真正的人机自由交流的前景似乎还远。目前，计算机还需要对用户作大量训练才能识别用户的语音。并且，识别率也并不总是尽如人意。换言之，语音识别技术还有一段路需要走，要做到真正成功的商业化，它还必须在很多方面取得突破性进展，这实际就是其技术的未来走向。 就算法模型方面而言，需要有进一步的突破。 目前能看出它的一些明显不足，尤其在中文语音识别方面，语言模型还有待完善，因为语言模型和声学模型正是听写识别的基础，这方面没有突破，语音识别的进展就只能是一句空话。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，这是一个相当艰苦的工作。此外，随着硬件资源的不断发展，一些核心算法如特征提取、搜索算法或者自适应算法将有可能进一步改进。可以相信，半导体和软件技术的共同进步将为语音识别技术的基础性工作带来福音。 就自适应方面而言，语音识别技术也有待进一步改进。 目前，象IB M 的V i aV oi ce 和A si a works 的 SPK都需要用户在使用前进行几百句话的训练，以让计算机适应你的声音特征。这必然限制了语音识别技术的进一步应用，大量的训练不仅让用户感到厌烦，而且加大了系统的负担。并且，不能指望将来的消费电子应用产品也针对单个消费者进行训练。因此，必须在自适应方面有进一步的提高，做到不受特定人、口音或者方言的影响，这实际上也意味着对语言模型的进一步改进。现实世界的用户类型是多种多样的，就声音特征来讲有男音、女音和童音的区别，此外，许多人的发音离标准发音差距甚远，这就涉及到对口音或方言的处理。如果语音识别能做到自动适应大多数人的声线特征，那可能比提高一二个百分点识别率更重要。事实上，V i aV oi ce 的应用前景也因为这一点打了折扣，只有普通话说得很好的用户才可以在其中文版连续语音识别方面取得相对满意的成绩。
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 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(Dynamic programming)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。