導(dǎo)讀本文章主要介紹了語音識(shí)別技術(shù)語的發(fā)展、基本原理、語音特征，目的是幫助PM了解語音技術(shù)方面的知識(shí)，有助于語音類相關(guān)產(chǎn)品的設(shè)計(jì)～一、語音識(shí)別的發(fā)展20世紀(jì)50年....

本文章主要介紹了語音識(shí)別技術(shù)語的發(fā)展、基本原理、語音特征，目的是幫助PM了解語音技術(shù)方面的知識(shí)，有助于語音類相關(guān)產(chǎn)品的設(shè)計(jì)～

一、語音識(shí)別的發(fā)展

• 20世紀(jì)50年代，語音識(shí)別的研究工作開始，這時(shí)主要探索和研究聲音和語音學(xué)的基本概念和原理。
• 20世紀(jì)60年代，可以解決不等長(zhǎng)語音匹配問題。
• 20世紀(jì)70年代，隨著NLP技術(shù)和微電子技術(shù)的深入發(fā)展，語音識(shí)別領(lǐng)域的線性預(yù)測(cè)分析技術(shù)得到廣泛應(yīng)用，HMM等技術(shù)基本成熟。
• 20世紀(jì)80年代，語音研究其顯著特征是HMM和人工神經(jīng)網(wǎng)絡(luò)（ANN）。

從發(fā)展可以看出：語音識(shí)別技術(shù)最早依靠匹配，尋找單個(gè)音節(jié)、單個(gè)詞和標(biāo)準(zhǔn)語音模板的最大相似度進(jìn)行匹配。后來伴隨著統(tǒng)計(jì)學(xué)被引入到語音識(shí)別中，將該技術(shù)逐步從模板匹配技術(shù)轉(zhuǎn)向基于統(tǒng)計(jì)模型技術(shù)。

二、語音識(shí)別的基本原理

對(duì)于不同的語音識(shí)別過程，人們采用的識(shí)別方法和技術(shù)不同，但所用的原理大致相同，即將經(jīng)過降噪處理后的語音送入特征提取模塊，然后對(duì)語音信號(hào)特征處理后輸出識(shí)別結(jié)果。

在這個(gè)過程中，特征提取是構(gòu)建語音系統(tǒng)的關(guān)鍵，對(duì)識(shí)別結(jié)果起到了重要作用，原理見下圖：

• 預(yù)處理：過濾掉原始語音中的次要信息或噪音等，將語音信號(hào)轉(zhuǎn)化為數(shù)字信號(hào)。
• 特征提取：提取語音特征參數(shù)，形成特征矢量序列。

三、語音信號(hào)特征

實(shí)現(xiàn)語音識(shí)別，就需要語音參數(shù)來刻畫語音信息。語音原本具有短時(shí)特性，所以描述語音的單位用幀（一般為10-40ms），在音頻幀上提取的短時(shí)音頻特征，叫音頻幀特征。相對(duì)音頻幀較長(zhǎng)的時(shí)間間隔成為音頻段，在音頻段上提取的特征叫音頻段特征。

下面列舉一些常用的音頻特征和音頻段特征：

3.1 音頻幀特征

常用的音頻幀特征分為三類：時(shí)域特征、頻域特征和聲學(xué)感知特征。

時(shí)域特征利用了音頻信號(hào)在時(shí)域上面的信息，可以理解成橫軸為時(shí)間，縱軸為音頻信號(hào)。通過過零率、短時(shí)能量、音量、自相關(guān)系數(shù)等來描述音頻信號(hào)在時(shí)間上的信息。

• 過零率是指：音頻信號(hào)由正到負(fù)、由負(fù)到正過程中，通過零的次數(shù)。應(yīng)用于語音信號(hào)分析中，濁音具有較低的過零率，清音具有較高的過零率（發(fā)音時(shí)聲帶振動(dòng)的是濁音，聲帶不振動(dòng)的是清音）。
• 短時(shí)能量則是：通過能量的計(jì)算方法用于監(jiān)測(cè)濁音和清音的轉(zhuǎn)換時(shí)刻。應(yīng)用與語音信號(hào)分析中，短時(shí)能量大的地方過零率低，短時(shí)能量小的地方過零率高。

頻域特征是把時(shí)域波形信號(hào)轉(zhuǎn)換到頻譜，然后進(jìn)行計(jì)算。

聲學(xué)感知特征是聲學(xué)上定義的概念，考慮了人的聽覺感知特點(diǎn)，但通常計(jì)算比較復(fù)雜。

3.2 音頻段特征

音頻段特征是在音頻幀特征基礎(chǔ)上提取出來的，獲取音頻段特征的基本方法是：將音頻段對(duì)應(yīng)的音頻幀特征經(jīng)過均值、方差、標(biāo)準(zhǔn)差等統(tǒng)計(jì)學(xué)公式計(jì)算得出來的。

四、預(yù)處理模塊

原始語音信號(hào)傳入預(yù)處理模塊的目的：是為了壓縮原始語音數(shù)據(jù)，提取出有代表性的特征來做后續(xù)的識(shí)別，主要分為三部分：預(yù)加重、分幀加窗、端點(diǎn)檢測(cè)。

4.1 預(yù)加重

在語音識(shí)別過程中，經(jīng)常會(huì)遇到原始語音數(shù)據(jù)因?yàn)樵胍簟⒈尘耙艋虼我畔⒌挠绊憣?dǎo)致識(shí)別效果變差。預(yù)加重的目的就是為了提高語音質(zhì)量，從含有噪聲語音的信號(hào)中，盡可能提取純凈的原始語音信號(hào)。

它的方法有很多，下面列舉三個(gè)：

（1）譜減法

首先假設(shè)噪音和期望語音信號(hào)相互獨(dú)立，然后通過估計(jì)噪音的功率，在原始語音中減去噪音功率達(dá)到去除噪音的目的。

這個(gè)方法較適用于噪音平穩(wěn)波動(dòng)性小的情況。

（2）自適應(yīng)濾波法

通過獲得前一時(shí)刻的濾波器參數(shù)，去自動(dòng)調(diào)節(jié)現(xiàn)在時(shí)刻的濾波器參數(shù)。我的理解是：假設(shè)語音信號(hào)具有較強(qiáng)的相關(guān)性，那么取t 1時(shí)刻的濾波器參數(shù)作用于t時(shí)刻的語音信號(hào)，形成純凈的語音信號(hào)。

（3）小波去噪法

基于信號(hào)和噪聲的小波系數(shù)在各尺度的分布特性，采用閾值的方法，達(dá)到去除噪聲的目的。

4.2 分幀加窗

語音信號(hào)可假定為短時(shí)平穩(wěn)的，即在較短時(shí)間內(nèi)（如5-50ms），語音信號(hào)基本保持不變，然后把語音信號(hào)分隔為一些音頻段再加以處理。

這些短段一般是周期的，對(duì)每個(gè)短段語音進(jìn)行處理，就等效于對(duì)固定特性的這樣原始語音進(jìn)行處理。對(duì)每一幀處理的結(jié)果，就可以看作是一個(gè)新的依賴于時(shí)間的序列，且這個(gè)序列可用于描述語音信號(hào)特征。

例如：原始語音采樣序列為x(m)，那么分段后的序列可以理解為x(m)乘以窗函數(shù)w(n-m)得到的。

窗函數(shù)越寬，對(duì)信號(hào)的平滑作用越明顯，反之，對(duì)信號(hào)幾乎沒有任何平滑作用。

4.3 端點(diǎn)檢測(cè)

對(duì)語音信號(hào)中的有聲片段和無聲片段進(jìn)行分割，然后再針對(duì)有聲片段的語音特征進(jìn)行識(shí)別，主要是利用語音特征參數(shù)進(jìn)行判斷。一般情況下，端點(diǎn)監(jiān)測(cè)是語音識(shí)別的第一步。

研究表明：即使是在安靜的環(huán)境中，語音識(shí)別系統(tǒng)一半以上的識(shí)別錯(cuò)誤來自端點(diǎn)檢測(cè)。

本文由 @豬不會(huì)飛 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議