科大讯飞发表的论文

语音识别技术研究让人更加方便地享受到更多的社会信息资源和现代化服务，对任何事都能够通过语音交互的方式。 我整理了浅谈语音识别技术论文，欢迎阅读!

语音识别技术概述

作者：刘钰 马艳丽 董蓓蓓

摘要：本文简要介绍了语音识别技术理论基础及分类方式，所采用的关键技术以及所面临的困难与挑战，最后讨论了语音识别技术的 发展 前景和应用。

关键词：语音识别;特征提取;模式匹配;模型训练

Abstract:This text briefly introduces the theoretical basis of the speech-identification technology,its mode of classification,the adopted key technique and the difficulties and challenges it have to face.Then,the developing prospect ion and application of the speech-identification technology are discussed in the last part.

Keywords:Speech identification;Character Pick-up;Mode matching;Model training

一、语音识别技术的理论基础

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。

(一) 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。

(二) 特征参数提取技术

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。

(三)模式匹配及模型训练技术

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。

二、语音识别的困难与对策

目前，语音识别方面的困难主要表现在：

(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。

三、语音识别技术的前景和应用

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。

参考 文献 ：

[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)

[4]陈尚勤等.近代语音识别.西安: 电子 科技大学出版社,1991

[5]王炳锡等.实用语音识别基础.Practical Fundamentals of Speech Recognition.北京:国防 工业 出版社,2005

[6](美)L.罗宾纳.语音识别基本原理.北京:清华大学出版社,1999

点击下页还有更多>>>浅谈语音识别技术论文

刘庆峰在中国科大学习期间就以优异的成绩而年年获得奖学金，1998年获中国科学院系统内研究生的最高荣誉“中国科学院院长奖学金——特别奖”，2000年被团中央、全国学联授予大学生最高荣誉－－“五四奖学金”和建昊杯。因专业成绩突出，1992年就被选入中国科技大学与国家智能计算机研究开发中心共同设立的“人机语音通信实验室”参与科学研究，自1995年起就作为该实验室所承担国家863项目“KD系列汉语文语转换系统”的主要负责人，立志要“让计算机象人一样开口说话”。1998年硕士研究生毕业后即担任“国家863智能计算机成果转化基地（福建）”总工程师，1999年出任科大讯飞公司总裁并一直分管核心研发及产品战略，多年来一直活跃在语音技术研究的第一线。现已获受理发明专利五项、实用新型专利两项，已获授权实用新型专利两项、软件著作权登记五项，在国内外核心期刊和重要会议上发表论文近二十篇。攻读硕士研究生阶段先后提出了“基于LMA模型的语音合成新方法”、“基于数字串外推的韵律构建模型”等创新方法，研制成功的KD系列汉语文语转换系统在1998年的国家863评比中不仅荣获第一名而且自然度综合指标首次达到可实用阶段（自然度3.0分）。以第一作者完成的文章“Design and realization of a Chinese speech platform—Tianyin Huawang System”荣获首届“国际汉语语音处理年会”（1998年12月，新加坡）上语音合成领域唯一的“最佳学生论文奖”。KD系列汉语文语转换系统还荣获2000年“安徽省科技进步一等奖”和2002年“国家科技进步二等奖”（刘庆峰均为第二获奖者，第一获奖者为其导师王仁华教授）。1998年首次提出“听感量化语音合成方法”，并在博士论文中对此方法进行了系统深入研究，此方法已成为指导科大讯飞及其联合实验室的主要研究路线，成为科大讯飞基础研究保持业界领先的最关键壁垒之一。在此方法指导下，刘庆峰先后牵头承担了十余项国家发改委、信息产业部、科技部、财政部等部委的重大攻关项目，带领科大讯飞在语音合成研究领域不断取得新的突破。研制成功的InterPhonic语音合成平台（国家十五863重大项目“面向网络及内容的语音信息应用处理平台”主要研究成果）在业界首次使机器合成语音效果超过普通人说话水平（自然度4.3分），2003年12月被科技部鉴定为“处于国际领先水平”。2004年10月举行的最新一轮国家863语音合成评比中，在包括有日本ATR、清华大学等国际知名语音研究机构参加的决赛评比中，InterPhoinc系统以大比分囊获所有指标第一名。由于刘庆峰在语音技术领域所取得的杰出研究成果，其本人先后在2002年被团中央和全国青联授予“中国杰出青年科技创新奖”，2004年被中国科协、国家人事部、组织部授予“第八届中国青年科技奖”，被中国科协授予“中国科协求是杰出青年成果转化奖”。刘庆峰在这些全国重大奖项中所实现的安徽历史上零的突破，大大鼓舞了安徽省青年科技工作者的信心，同时也有效提升了合肥科学城的科技品牌形象。除了在语音技术基础研究中取得了突出成绩外，刘庆峰还在中文语音技术的产业化方面做出了重要贡献。研究生毕业时，他毅然放弃了出国深造机会和国内外著名企业的高薪聘请，立志要将汉语语音合成技术在中国人自己手里全面产业化。他带领一批科大优秀毕业生，于1999年6月创立了安徽中科大讯飞信息科技有限公司。并始终坚持国家863计划成果产业化基地“顶天立地”的产业发展理念：核心技术务必确保国际领先（“顶天”），技术成果力求大规模推广应用（“立地”）。经过几年的发展，讯飞语音技术的应用已经遍布大江南北，不仅在中国大陆的近30个省份得到了推广应用，还成功地进入到香港、台湾、新加坡、日本、北美等市场，在电信、证券、银行、电力、教育等20多个行业获得了成功应用，并被奥运会组委会和863专家组共同确定为“面向奥运的多语言信息服务系统”中的语音技术提供单位。讯飞语音产品现已占领了语音合成主流应用市场80％的份额， 2003年被中国通信业第一大刊物《通信世界》评为“中国通信业十大最具增长潜力企业”，彻底改变了99年以前中文语音市场几乎全由国外IT巨头垄断的局面。讯飞市值也从创业时的300万元，发展到2001年6月联想投资和INTEL投资联手注资时的2.2亿元，两年内增长70倍，创造了中国IT史上的又一个奇迹。

科大讯飞数据集可以写论文。科大讯飞研究院联合中国科学技术大学语音实验室共发表收录14篇论文，覆盖语音识别、语音合成、语音增强、语音情感识别、声音事件检测等。