回顧了語音識別技術的發展歷史，描述了語音識別系統的基本原理，介紹了語音識別的幾種基本方法，并對語音識別技術面臨的問題和發展前景進行了討論。

1 語音識別技術概述

語音識別是解決機器“聽懂”人類語言的一項技術。作為智能計算機研究的主導方向和人機語音通信的關鍵技術，語音識別技術一直受到各國科學界的廣泛關注。如今，隨著語音識別技術研究的突破，其對計算機發展和社會生活的重要性日益凸現出來。以語音識別技術開發出的產品應用領域非常廣泛，如聲控電話交換、信息網絡查詢、家庭服務、賓館服務、醫療服務、銀行服務、工業控制、語音通信系統等，幾乎深入到社會的每個行業和每個方面。

廣泛意義上的語音識別按照任務的不同可以分為4個方向：說話人識別、關鍵詞檢出、語言辨識和語音識別。說話人識別技術是以話音對說話人進行區別，從而進行身份鑒別和認證的技術。關鍵詞檢出技術應用于一些具有特定要求的場合，只關注那些包含特定詞的句子，例如對一些特殊人名、地名的電話監聽等。語言辨識技術是通過分析處理一個語音片斷以判別其所屬語言種類的技術，本質上也是語音識別技術的一個方面。語音識別就是通常人們所說的以說話的內容作為識別對象的技術，它是4個方面中最重要和研究最廣泛的一個方向，也是本文討論的主要內容。

2 語音識別的研究歷史及現狀

語音識別的研究工作始于20世紀50年代，1952年Bell實驗室開發的Audry系統是第一個可以識別10個英文數字的語音識別系統。1959年，Rorgie和Forge采用數字計算機識別英文元音和孤立詞，從此開始了計算機語音識別。60年代，蘇聯的Matin等提出了語音結束點的端點檢測，使語音識別水平明顯上升；Vintsyuk提出了動態編程，這一提法在以后的識別中不可或缺。60年代末、70年代初的重要成果是提出了信號線性預測編碼（LPC）技術和動態時間規整（DTW）技術，有效地解決了語音信號的特征提取和不等長語音匹配問題；同時提出了矢量量化（VQ）和隱馬爾可夫模型（HMM）理論。

80年代語音識別研究進一步走向深入：HMM模型和人工神經網絡（ANN）在語音識別中成功應用。1988年，FULEE Kai等用VQ/I-IMM方法實現了997個詞匯的非特定人連續語音識別系統SPHINX。這是世界上第1個高性能的非特定人、大詞匯量、連續語音識別系統。

進入90年代后，語音識別技術進一步成熟，并開始向市場提供產品。許多發達國家如美國、日本、韓國以及IBM、Apple、AT&T、Microsoft等公司都為語音識別系統的實用化開發研究投以巨資。同時漢語語音識別也越來越受到重視。IBM開發的 ViaVoice和Microsoft開發的中文識別引擎都具有了相當高的漢語語音識別水平。

進入21世紀，隨著消費類電子產品的普及，嵌入式語音處理技術發展迅速。基于語音識別芯片的嵌入式產品也越來越多，如Sensory公司的RSC系列語音識別芯片、Infineon公司的Unispeech和Unilite語音芯片等，這些芯片在嵌入式硬件開發中得到了廣泛的應用。在軟件上，目前比較成功的語音識別軟件有：Nuance、IBM的Viavoice和Microsoft的SAPI以及開源軟件HTK，這些軟件都是面向非特定人、大詞匯量的連續語音識別系統。

我國語音識別研究一直緊跟國際水平，國家也很重視。國內中科院的自動化所、聲學所以及清華大學等科研機構和高校都在從事語音識別領域的研究和開發。國家863智能計算機專家組為語音識別技術研究專門立項，并取得了高水平的科研成果。我國中科院自動化所研制的非特定人、連續語音聽寫系統和漢語語音人機對話系統，其準確率和系統響應率均可達90%以上。

3 語音識別系統

語音識別本質上是一種模式識別的過程，未知語音的模式與已知語音的參考模式逐一進行比較，最佳匹配的參考模式被作為識別結果。圖1是基于模式匹配原理的自動語音識別系統原理框圖。

（1）預處理模塊：對輸入的原始語音信號進行處理，濾除掉其中的不重要的信息以及背景噪聲，并進行語音信號的端點檢測、語音分幀以及預加重等處理。

（2）特征提取模塊：負責計算語音的聲學參數，并進行特征的計算，以便提取出反映信號特征的關鍵特征參數用于后續處理。現在較常用的特征參數有線性預測（LPC）參數、線譜對（LSP）參數、LPCC、MFCC、ASCC、感覺加權的線性預測（PLP）參數、動態差分參數和高階信號譜類特征等。其中，Mel頻率倒譜系數（MFCC）參數因其良好的抗噪性和魯棒性而應用廣泛。

（3）訓練階段：用戶輸入若干次訓練語音，經過預處理和特征提取后得到特征矢量參數，建立或修改訓練語音的參考模式庫。

（4）識別階段：將輸入的語音提取特征矢量參數后與參考模式庫中的模式進行相似性度量比較，并結合一定的判別規則和專家知識（如構詞規則，語法規則等）得出最終的識別結果。

4 語音識別的幾種基本方法

當今語音識別技術的主流算法，主要有基于動態時間規整（DTW）算法、基于非參數模型的矢量量化（VQ）方法、基于參數模型的隱馬爾可夫模型（HMM）的方法、基于人工神經網絡（ANN）和支持向量機等語音識別方法。

4.1 動態時間規整（DTW）

DTW是把時間規整和距離測度計算結合起來的一種非線性規整技術，是較早的一種模式匹配和模型訓練技術。該方法成功解決了語音信號特征參數序列比較時時長不等的難題，在孤立詞語音識別中獲得了良好性能。

4.2 矢量量化（VQ）

矢量量化是一種重要的信號壓縮方法，主要適用于小詞匯量、孤立詞的語音識別中。其過程是：將語音信號波形的k個樣點的每1幀，或有k個參數的每1參數幀，構成k維空間中的1個矢量，然后對矢量進行量化。量化時，將k維無限空間劃分為M個區域邊界，然后將輸入矢量與這些邊界進行比較，并被量化為“距離”最小的區域邊界的中心矢量值。矢量量化器的設計就是從大量信號樣本中訓練出好的碼書，從實際效果出發尋找到好的失真測度定義公式，設計出最佳的矢量量化系統，用最少的搜索和計算失真的運算量，實現最大可能的平均信噪比。

4.3 隱馬爾可夫模型（HMM）

隱馬爾可夫模型是20世紀70年代引入語音識別理論的，它的出現使得自然語音識別系統取得了實質性的突破。目前大多數大詞匯量、連續語音的非特定人語音識別系統都是基于HMM模型的。

HMM是對語音信號的時間序列結構建立統計模型，將其看作一個數學上的雙重隨機過程：一個是用具有有限狀態數的Markov鏈來模擬語音信號統計特性變化的隱含的隨機過程，另一個是與Markov鏈的每一個狀態相關聯的觀測序列的隨機過程。前者通過后者表現出來，但前者的具體參數是不可測的。人的言語過程實際上就是一個雙重隨機過程，語音信號本身是一個可觀測的時變序列，是由大腦根據語法知識和言語需要（不可觀測的狀態）發出的音素的參數流。HMM合理地模仿了這一過程，很好地描述了語音信號的整體非平穩性和局部平穩性，是較為理想的一種語音模型。

HMM模型可細分為離散隱馬爾可夫模型（DHMM）和連續隱馬爾可夫模型（CHMM）以及半連續隱馬爾可夫模型（SCHMM）等。

4.4 人工神經元網絡（ANN）

人工神經元網絡在語音識別中的應用是目前研究的又一熱點。ANN實際上是一個超大規模非線性連續時間自適應信息處理系統，它模擬了人類神經元活動的原理，最主要的特征為連續時間非線性動力學、網絡的全局作用、大規模并行分布處理及高度的穩健性和學習聯想能力。這些能力是HMM模型不具備的。但ANN又不具有HMM模型的動態時間歸正性能。因此，人們嘗試研究基于HMM和ANN的混合模型，把兩者的優點有機結合起來，從而提高整個模型的魯棒性，這也是目前研究的一個熱點。

4.5 支持向量機（SVM）

支持向量機是應用統計學習理論的一種新的學習機模型，它采用結構風險最小化原理（SRM），有效克服了傳統經驗風險最小化方法的缺點，在解決小樣本、非線性及高維模式識別方面有許多優越的性能。其基本思想可以概括為：首先通過非線性變換將輸入空間變換到一個高維空間，然后在這個新空間中求取最優線性分類面，而這種非線性變換是通過定義適當的內積函數實現的。目前，統計學習理論和支持向量機也是國際上機器學習領域的研究熱點。

5 語音識別所面臨的問題

盡管語音識別取得很大成功，但是距離真正的人機自由交流還有很大的距離。例如，目前計算機還需要對用戶做大量訓練才能更準確識別，用戶的語音識別率也并不是盡如人意。主要難題有以下幾個方面：

（1）識別系統的適應性差。主要體現在對環境依賴性強，特別在高噪音環境下語音識別性能還不理想。

（2）語音識別系統從實驗室演示系統到商品的轉化過程中，還有許多具體問題需要解決。例如，識別速度、拒識等問題，還有連續語音中去除不必要語氣詞如“呃”、“啊”等語音的技術細節問題。

（3）語言學、生理學、心理學方面的研究成果已有不少，但如何把這些知識量化、建模并用于語音識別，還需要進一步研究。

面對上面的困難，語音識別技術要做到真正成功，在任何環境中都能人機進行自由地對話，不僅需要語音識別基礎理論的突破，更需要大量的實際工作的積累。

6 語音識別技術的前景展望

語音作為當前通信系統中最自然的通信媒介，語音識別技術是非常重要的人機交互技術。隨著計算機和語音處理技術的發展，語音識別系統的實用性將進一步提高。應用語音的自動理解和翻譯，可消除人類相互交往的語言障礙。國外已有多種基于語音識別產品（如聲控撥號電話、語音記事本等）的應用，基于特定任務和環境的聽寫機也已經進入應用階段。這預示著語音識別技術有著非常廣泛的應用領域和市場前景。隨著語音技術的進步和通信技術的飛速發展，語音識別技術將為網上會議、商業管理、醫藥衛生、教育培訓等各個領域帶來極大的便利，其應用和經濟、社會效益前景非常良好。