语音识别技术大全11篇

语音识别技术篇（1）

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)

语音识别技术篇（2）

中图分类号:TN912 文献标识码:A 文章编号:1007-3973 (2010) 03-062-02

1应用领域

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。

2发展历史

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。

3研究的热点与难点

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。

4语音识别系统

一个典型的语音识别系统如图所示:

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。

5总结

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。

参考文献:

[1]易克初,田斌.付强.语音信号处理[M].国防工业出版社,2000.

[2]胡航.语音信号处理[M].哈尔滨工业大学出版社,2000.

语音识别技术篇（3）

一、引言

随着我国外语教学的不断发展，各种外语口语教学工具与学习方法也应运而生。然而外语口语的学习对于学习者而言既是重点也是难点，当前的计算机辅助教学只是侧重于外语单词记忆教学与语法教学，并且因为外语口语学习者的学习水平不一，在学习过程中很难将自己的不正确发音找出来。于是，在外语口语学习中就可以应用语言识别技术，该系统具备外语口语发音的纠正功能，学习者通过该系统进行外语口语的学习与练习，就能纠正自己错误的发音，避免因为多次错误发音而形成不良习惯。因此，对外语口语训练中语音识别技术进行研究，能够提高外语口语学习者的学习效率。

二、外语口语学习中语音识别技术应用的重要意义

随着中国改革开放程度的深化以及全球经济一体化的飞速发展，世界各国的交往越来越频繁，学习并掌握一门外语，对于人们的工作与生活而言，已经成为必不可少的工具。在学习外语的需求不断增长的情况下，出现了各种外语教学方法、教学工具以及语言学校等，然而国人在外语学习过程中，外语的口语教学与学习一直是较难突破的难题，其主要原因有以下几个方面：

（一）各种外语发音的特点与汉语发音的特点存在较大差异，因而可能导致国人在学习外语时由于受到母语的深厚影响而犯下许多自己根本无法察觉或者是很难察觉的发音错误。

（二）目前在国内合格的外语口语教师还是很少，自己发音标准又能够准确地指导别人进行口语学习的外语教师，即便是在一些大中城市的中小学中也相当缺乏。同时，一般的媒体教学也不能够针对学生的特定情况，有效地让学生与教师互动进行口语训练，只能够单方面地进行传授，所以起到的作用也不是很有效。

外语口语训练中语音识别技术的应用，让软件具备了矫正错误发音的功能，能够为学习者及时改正错误的发音提供帮助，从而有效避免错误反复而变成一种恶性习惯，并使外语学习者口语学习的效率与效果得到一定程度的提高，获得更大的市场价值与社会效益。

三、外语口语训练中语音识别的关键技术

（一）语音识别

在语音识别技术中，语音识别是第一步也是最重要的一步，接下来几个步骤的精确度都会受其影响，它能够在语法与音素模型的基础上，将输入的语音信号翻译成单词串。同时，许多基于计算机的语言训练活动都可以应用这一部分，比如基于语音的选择题或者是与计算机的对话训练等等。

（二）语音评分

在基于语音识别技术的外语口语学习系统中，语音评分技术是最基本也是最核心的组成部分。语音评分技术能够评价并反馈学习者的口语发音情况，可以让学习者通过反馈的结果对自己的学习结果进行检查。通常情况下，按照语音评分技术，目前的外语口语学习系统主要可以分为两种：一种是基于语音特征比较的评分方法，它通过将学习者的发音与标准语音进行对比参考，从一个较为主观的角度对一段语音质量进行评价，通常采用动态时间规整技术实现，因为其具备运算量小的特点，因而在嵌入式系统与手持设备中运用较多;另一种是基于声学模型的评分方法，它能够通过语音识别技术将以计算发音质量所需的小单元切割出来，然后再通过事先训练好的声学模型与其进行对比，最后根据评分机制对其评分，因为该方式较为客观，目前主流的外语口语学习系统中均采用这种技术，其主要是基于隐马尔可夫模型（HMM）技术实现。

如图1，基于HMM的语音评分流程图所示，其语音评分的关键技术分为以下几步：

图1 基于HMM的语音评分流程图

1.首先，对学习者所输入的语音进行特征提取;

2.其次，将已经训练好的HMM作为模板，再采用Viterbi算法将语言以计算发音质量所需的小单元进行分割，并强制对齐;

3.最后，采用不同的评分机制对不同的需要进行评分，将评分结果得出。同时，在某些情况下，要注意将说话验证在语音评分开始时加入，从而将学习者发音内容与标准发音完全不同的部分挡下，保证整个口语学习系统的可信度更高。此外，由于同样的声音可能代表的意义不同，因而在这些更加复杂的应用中，需要将各种词发生概率的大小、上下文的关系进行综合考虑，并将语言模型加入，从而为声学模型的判断提供更好的辅助。

（三）发音错误检测与错误纠正

对于外语学习者而言，虽然知道系统能够评价其发音质量，但是单凭非母语学习者自己对其自身错误的所在还是不能清楚地了解到，对这个错误也不知道如何进行纠正。因而，外语口语学习者需要通过系统对发音的错误进行检测与定位，并将相应的错误纠正建议提供给学习者进行有效纠正。

1.发音错误的检测与定位

在外语口语训练中，导致错误发音的因素有很多。例如学习者不会发某种声音，或者是受到其他语言拼读方法的影响以及不能正确体会到两种声音的差别等等。语音识别器也是发音错误检测中使用的一种方法，比如用母语训练的语音识别器，但是因为在没有使用自适应技术的情况下，学习者发音的识别错误也有可能会当成是发音错误，因而这种方法就很难准确地检测到非母语学习者的发音是否正确。所以，目前对错误发音的检测比较合理的一种做法是：首先以发音专家的知识为依据，严格将容易出错的发音进行合理的分类，然后以不同的错误类型为依据，将其相应的检测算法设计出来，最后用各种错误检测算法对学习者的发音分别进行检测。

2.发音错误的纠正

系统将发音错误检测出来后，同时就对学习者所犯的错误根据专家关于发音错误的知识给出相应的错误提示与错误纠正建议。其中，对于这些发音专家知识的构建而言，是通过事先收集大量的经验数据而积累而成的，例如不同学习者的发音特点等，然后通过数据挖掘的聚类算法将不同学习者不同发音特征的聚类准确地计算出来，再由专家客观地评判分类的发音，最后将各聚类的改进建议提出来。

（四）回馈展示

在基于语音识别技术的外语口语学习系统中，这一部分是整个系统对用户的窗口，上述部分所产生的信息都可以通过分数条或者是数字的形式为外语学习者展示出来。同时只有通过这个模块，外语学习者才能够从基于语音识别技术的外语口语学习系统中获益，所以，整个系统的可用度都通过这一模块设计的好坏来决定。

四、结语

总而言之，随着社会经济与科学技术的快速发展，各种带有语音识别技术的便携式终端设备出现在人们的日常生活与学习中，为广大外语爱好者与学习者提供了不受教师资源、地点以及时间等限制的智能外语学习系统，有效地提高了外语学习者的学习效率与学习效果，相信在未来，也能够为外语学习者们提供更快、更好的电子学习手段。

【参考文献】

[1]卢永辉.语音识别技术在外语口语训练中的应用[J].电脑知识与技术，2014（04）：836-837，843.

[2]吴艳艳.孤立词语音识别的关键技术研究[D].青岛：青岛大学，2012.

语音识别技术篇（4）

 

语音识别是一门交叉学科。语音识别研究经历了50多年的研究历程,经过50多年的积累研究,获得了巨大的进展。特别是近20年来,语音识别技术取得了显着的进步,并逐步的走向市场。在未来的日子里,语音识别技术将应用更为广泛。本文就语音识别的发展及趋势作简单的阐述。 

1 语音技术的发展历史 

50年代,研究人员多数致力于声学和语音学的基本概念。1952年,在at& t bell实验室实现了一个单一发音人孤立发音的10个英文数字的语音识别系统,方法主要是度量每个数字的元音音段的共振峰。1956年,rca lab 开展了另外一项独立研究,试图识别单一发音的10个不同的音节,同样采用了度量共振峰的方法。1959年,英国university college的研究人员开始尝试另外一种思路,用谱分析和模板匹配方法构建音素识别器,用来识别4个元音和9个辅音。60年代,相继出现并发表了语音识别的几个重要的思想。1962年,东京大学进行了另一个音素识别器的硬件实现的尝试。它使用过零率方法分离语音信号的不同部分,并进行识别。1963年,日本nec lab对数字进行语音识别的尝试可以算得上最值得注意的工作,因为它不仅是nec研究语音识别的开端,还导致一个长期的和卓有成效的研究计划。在60年代中,3个研究项目的开展对其后20多年的语音识别研究和开发产生了重大影响。第一个研究项目在rca lab开始于60年代后期,目的是研究语音事件在时间刻度上不均匀性的现实解决办法。在能够可靠检测出语音事件的始末点的基础上,发展了一套时间归正的基本方法。 

2 语音识别技术的发展现状 

语音识别技术通过全球科学家的共同努力,经历半个多世纪的研究,目前已经发展到了接近实用的阶段。在实验室环境下,大词汇量的朗读式连续说话的宽带语音信号的平均识别率可以达到90%以上。正式有了如此高的识别率之后,语音识别技术慢慢地从实验室演示系统逐步走向实用化商品。以ibm via voice和dragon dictation为代表的两个听写机系统的出现,使“语音识别”逐步进入大众视线,引起了广泛的社会关注。 

由于校对和更正识别的错误很麻烦和浪费时间,这样便降低语音识别的优势。同时,由于使用的环境或讲话口音习惯等因素的影响,语音识别的内容大大降低,识别的内容不能达到100%的正确,所以很多人认为目前的语音识别系统还无法满足实用要求。 

目前,at&t和mit等将语音识别技术应用在一些有限词汇的特定任务上,如电话自动转接、电话查询、数字串识别的任务中,当讲话的内容是系统所存储的内容存在的,且使用环境的声学特性与训练数据的声学特性相差不太大时,语音识别的正确识别率可以接近100%。但是,在实际使用中如果这些条件被破坏,则会对识别系统造成一定的影响。 

3 语音识别技术发展趋势 

虽然语音识别在过去的20年里有了很大的发展,但是,仍然存在很多的不足,有待于进一步的探索,具体可分为以下几个方面: 

1)提高可靠性。语音识别技术需要能排除各种声学环境因素的影响。在比较嘈杂的公共环境中,人的意识会有意识的排除非需要的声学环境因素,这对语音识别系统而言,是很难做到的。另外,在日常生活中,人类的语言常常具有较大的不确定性,比较随意,并带有明显的言语习惯。这同样会给语音识别系统很大的识别麻烦。目前,在提高语音系统在不同环境中的可靠性,同时要应用现代技术让语音识别系统更加智能化,掌握人们语言随意性的部分规律,以达到最佳的识别效果。 

2)增加词汇量。系统可以识别的词汇的数量是系统能够做什么事情的一个重要度量。一个语音识别系统使用的声学模型和语音模型如果太过于局限,当用户所讲的词汇超出系统已知的范围时,则语音识别系统不能准确的识别出相应的内容,比如,当突然从中文转为英文、法文、俄文时,计算机就会常常输出混乱奇怪的结果。但是,随着系统建模方法的不断改进、搜索算法效率的提高以及硬件资源的发展,未来的语音识别系统可能会做到词汇量无限制和多种语言混合,这样用户在使用的时候可以不必在语种之间来回切换,这样就能大大减少词汇量的对语音识别系统的限制。 

 3)应用拓展。语音识别技术可以用于把费脑、费力、费时的机器操作变成一件很容易很有趣味性的事,比如,当人们出现手忙、手不能及以及分身无术的场景时,通过语音识别系统的模型构造,则能够在象驾驶室、危险的工业场合、远距离信息获取、家电控制等各个方面,语音识别技术可能带动一系列崭新或更便捷功能的设备出现,更加方便人的工作和生活。其应用的范围和前景非常广泛。不仅能够应用于日常生活,更重要的会带来生产方式的革命,是下一代智能化控制的基础。 

4)降低成本减小体积。微型化是语音识别技术商业应用的另一个重要途径,其推广程这取决于语音识别技术本身进步的程度,同时与微电子芯片技术的进一步发展关系密切。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,可以大幅度降低产品成本和体积,产品必然受到消费者的青睐,语音识别系统和微电子芯片技术的发展是会引领我们的信息技术革命到一个新的台阶。 

 21世纪是信息和网络的时代,internet和移动通信、固话通信的网络把全球各地连接起来。自然口语对话、电子商务、信息索取、数字图书馆、语音翻译、远程教育等一系列的人类活动都可在网络上实现。语音识别系统的出现,会让人更加自由的沟通,让人在任何地方,任何时间,对任何事都能够通过语音交互的方式,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。 

 

语音识别技术篇（5）

语音芯片的应用

近年来语音芯片应用越来越广泛，主要包括:

1.电话通信中的语音拨号。特别是在中、高档移动电话上，现已普遍具有语音拨号的功能。随着语音识别芯片的价格降低，普通电话上也将具备语音拨号的功能。

2. 汽车的语音控制。由于在汽车的行驶过程中，驾驶员的手必须放在方向盘上，因此在汽车上拨打电话，需要使用具有语音拨号功能的免提电话通信方式。此外，对汽车的门、窗、空调、照明以及音响等设备，同样也可以由语音来方便地进行控制。

3. 工业控制及医疗领域。当操作人员的眼或手已经被占用的情况下，在增加控制操作时，最好的办法就是增加人与机器的语音交互界面。由语音对机器发出命令，机器用语音做出应答。

4. 个人数字助理（Personal Digital Assistant，PDA）的语音交互界面。PDA的体积很小，人机界面一直是其应用和技术的瓶颈之一。由于在PDA上使用键盘非常不便，因此，现多采用手写体识别的方法输入和查询信息。但是，这种方法仍然让用户感到很不方便。现在业界一致认为，PDA的最佳人机交互界面是以语音作为传输介质的交互方法，并且已有少量应用。随着语音识别技术的提高，可以预见，在不久的将来，语音将成为PDA主要的人机交互界面。

5. 智能玩具。通过语音识别技术，我们可以与智能娃娃对话，可以用语音对玩具发出命令，让其完成一些简单的任务，甚至可以制造具有语音锁功能的电子看门狗。智能玩具有很大的市场潜力，而其关键在于语音芯片价格的降低。

6. 家电遥控。用语音可以控制电视机、VCD、空调、电扇、窗帘的操作，而且一个遥控器就可以把家中的电器皆用语音控制起来，这样，可以让令人头疼的各种电器的操作变得简单易行。

语音识别专用芯片系统有如下几个特点: 1. 多为中、小词汇量的语音识别系统，即只能够识别10～100词条。只有近一两年来，才有连续数码或连续字母语音识别专用芯片实现。2. 一般仅限于特定人语音识别的实现，即需要让使用者对所识别的词条先进行学习或训练,这一类识别功能对语种、方言和词条没有限制。有的芯片也能够实现非特定人语音识别，即预先将所要识别的语句码本训练好而装入芯片，用户使用时不需要再进行学习就可直接应用。但这一类识别功能只适用于规定的语种和方言，而且所识别的语句只限于预先已训练好的语句。3. 由此芯片组成一个完整的语音识别系统。因此，除了语音识别功能以外，为了有一个好的人机界面和识别正确与否的验证，该系统还必须具备语音提示（语音合成）及语音回放（语音编解码记录）功能。4. 多为实时系统，即当用户说完待识别的词条后，系统立即完成识别功能并有所回应，这就对电路的运算速度有较高的要求。5. 除了要求有尽可能好的识别性能外，还要求体积尽可能小、可靠性高、耗电省、价钱低等特点。

语音识别技术发展

在发达国家各种各样基于语音识别技术的产品已经可以买到，如具有声控拨号电话，语音记事本等等。语音电话服务、数据查询服务也已经部分实现。基于特定任务和环境的听写机也已经进入应用阶段。语音识别技术是非常重要的人机交互技术，有着非常广泛的应用前景。

说话者自适应技术近年在语音识别系统的研究中也备受重视，这是由于与人有关的语音识别系统比与人无关的语音识别系统的识别率要高很多。通过有效的自适应手段可以很快地提高系统的识别能力。实际上说话人自适应技术和稳健语音自适应技术是相通的。由于不同的说话人在声道长度，说话口音方式都很不一样。说话者自适应技术也主要是从以下两方面着手。

静态处理方法。从特征提取或训练阶段就尽可能减少来自说话人的变化因素对模型的贡献。可以进行声道参数的归一化处理或对说话人进行分类处理，如分男女声的识别系统就是其中的一个典型，但实际上仅仅从男女声上对模型分类还是太粗，可以通过有效的聚类方法进行分类。这类方法统称为声学归一化处理方法。

动态处理方法。对预先训练好的与人无关识别系统，通过临时得到的特定人语音数据对系统的模板或特征参数进行自适应修正，从而在原有系统基础上建立一个用于特定任务、特定环境或特定说话人的系统，这类方法统称为自适应方法。自适应方法可分为: 批模式、累进模式、即时模式; 按自适应学习策略又分为无监督学习和有监督学习。从用户使用的方便程度来看是由难到易，而算法实现则是由易到难。采用何种策略取决于应用背景，对识别率的要求等因素。对于听写机等应用来说，最具吸引力的是累进、无监督的自适应方式，也称在线自适应。

语言模型也是目前研究的一个重要方面。目前的语言模型是与任务有关的，典型的统计语言模型是通过大量任务特定的语料训练出来的。通过新闻语料训练出来的模型不能很好地工作于法律方面的文件语音识别。有几种方法用于解决这些问题。一种是使用自适应语言模型。在静态语言模型的基础上，通过一个高速缓冲存储器对语言模型进行动态的修正; 另一种是先训练多领域语言模型，然后通过混合高斯模型将这些模型结合在一起; 还有一种比较好的办法是使用大颗粒的语言模型，如基于类的语言模型，而不是基于词的语言模型，类可以是词性类，词义类，以及由一定的数据驱动的聚类算法产生的各种类。

由于不同词可以属于同一类，这样类比较大，构成的语言模型就比较稳健。其关键的问题是如何决定词的分类，由于词的分类比较复杂，同一词可能属于不同的类，特别是解决如何通过计算机实现自动分类的算法，即使用数据驱动算法也还没有很好地解决。基于统计技术的计算语言学已经越来越受到重视，它解决了单独规则语言模型不能解决的一些问题。当然统计语言模型也不能解决全部问题，因此如何把统计语言模型和基于规则的语言模型结合也是语言模型研究的重点之一。

目前不同快速语音识别算法都在开发中。其中包括对HMM状态输出的概率分布进行矢量量化，缩小搜索空间算法，减少计算机的内存需求方法，以及结合计算机结构特点的编程技术的应用。

语音识别技术篇（6）

中图分类号：TP316.9

文献标识码：A

DOI：10.3969/j.issn.1003-6970.2015.07.021

0 引言

随着计算机的发展，智能家居在近几年也得到了大家的重视，智能家居利用各种通信、网络技术实现家居设备集成，为用户提供了更加舒适高效的环境。近几年人们对智能家居的便利程度提出了更高的要求，同时语音识别技术也进一步的发展，但是语音在智能家居中的应用还是相对较少，一般还要依靠遥控、手机等中控设备。语言是信息交流的重要手段，语音识别可以用声音来控制设备完成一些特定的命令，减少用户如手机，遥控等中控设备的依赖，使生活更加方便。

本文通过对语音识别技术与嵌入式控制技术的研究，用语音命令实现直接管控从而可以取代以往利用手机或者遥控方式来控制的方法，方便操作而又能提高效率。本系统基于NL6621板与语音芯片VS1003实现语音采集，并采用当今语音识别领域的主流技术一一隐马尔科夫模型（Hidden Markov Model，HMM）算法实现对人语音命令的识别主要是进行模型训练和匹配。实验证明在多个语音样本对系统的训练识别下，系统在非特定人、孤立词语识别上具有良好的效果。

1 语音识别与智能家居

1.1 语音识别技术

语音识别技术本质上是一种模式匹配识别的过程，是机器通过识别和理解过程把语音信号转变成相应的文本文件或命令的技术。根据模式匹配过程语音识别系统可以如下图表示。语音识别系统可以分为：特定人和非特定人的识别、独立词和连续词的识别等，无论哪种识别系统识别过程都主要包括了语音信号预处理、特征提取、训练等。分别通过对信号的预处理分析和计算建立模板，当对语音进行识别时，需要将输入的语音与系统中存放的语音进行比较从而得到识别结果。

1.2 语音识别算法

人的言语过程是一个双重随机过程。因为语音信号本身是一个可观察的序列，而它又是由大脑里的不可观察的、根据言语需要和语法知识状态选择所发出的音素（词、句）的参数流，大量实验表明，隐马尔可夫模型（HMM）的确可以非常精确地描述语音信号的产生过程。隐马尔可夫模型是对语音信号的时间序列结构建立统计模型，将之看作一个数学上的双重随机过程，采用HMM进行语音识别，实质上是一种概率运算，根据训练集数据计算得出模型参数后，测试集数据只需分别计算各模型的条件概率（Viterbi算法），取此概率最大者即为识别结果。一阶离散马尔可夫模型可表示为：有N个状态，Sl，S2... SN，存在一个离散的时间序列t=0，t=1…在每个时刻t，系统只能处于唯一一个状态qt，下一个时刻所处的状态是随机出现的，当前状态qt只与前面相邻的一个状态qt-l有关， 与其他状态无关，用表达式

HMM语音识别的一般过程：

1.前向后向算法计算

已知观测序列 和模型 ，如何有效的计算在给定模型条件下产生观测序列O的概率

2.Baum-Welch算法求出最优解 ：

（1）初始化

（2）迭代计算

（3）最后计算

3.Viterbi算法解出最佳状态转移序列：

已知观测序列 和模型 ，如何选择在某种意义上最佳的状态序列。

（1）初始化

（2）迭代计算：

4.根据最佳状态序列对应的九给出候选音节或声韵母

5.通过语言模型形成词和句子

2 基于NL6621嵌入式硬件设计

语音识别的硬件平台主要包括中央处理器NL6621，可读写存储器，声卡芯片vs1003以及一些设备，硬件体系结构如图2所示。

主系统使用新岸线公司的NL6621。MCU采用的最高主频为160MHz，支持802.llb/g/n/i/e/p和Wi-Fidirect，BSS STA，软AP，WiFi保护设置以及WMM-PS和WPA/WPA2安全协议。codec芯片是vs1003，它与核心控制器NL6621的数据通信是通过SPI总线方式进行的。它集成了麦克风输入接口，音频输出接口，对话筒输入或者线路输入进行IMA ADPCM编码，能有效的接受和播放音频信息。

硬件电路实现：VS1003通过xCS、xDCS引脚的置高或低来确认是哪一个接口处于传送状态。通过串行命令接口（SCI）和串行数据接口（SDI）来接收NL6621的控制命令和数据，通过SCI HDAT1来获取语音流；VS1003的功能控制，如初始化、软复位、暂停、音量控制、播放时间的读取等，均是通过SCI口写入特定寄存器实现的。两条SCI指令之间要通过DREQ引脚信号判断上一次处理是否完成。

3 基于NL6621嵌入式软件设计

软件设计主要包括两部分实现软件控制嵌入式系统和基于HMM技术的语音识别算法编写，基本的软件架构如图3所示。

针对嵌入式系统控制部分，包括硬件初始化以及采集音频信号。主要是使用NL6621提供的软件开发包，利用SDK编写应用程序，包括硬件管脚初始化，波特率匹配，录音文件配置，WiFi配置，录音，音频文件格式转化、程序编写完成后需要用烧写工具进行烧写。系统启动后，先初始化硬件模块。然后系统开始工作，通过语音输入设备MIC采集语音，并通过声卡VS1003输入语音。当系统监听到语音输入，开始语音识别，判断识别是否正确，若正确，将命令发送给执行设备，入耳不正确，给出相应

语音识别技术篇（7）

与机器进行语音交流，让机器明白你说什么，这是我们长期以来梦寐以求的事情。而提起语音识别.我们最容易想到的还要数不会讲笑话的Siri。

作为世界上第一家上市的语音识别公司，Siri的“娘家”Nuance有着辉煌的历史，曾经在语音领域一统江湖。苹果iPhone手机的虚拟语音助手Siri、三星的语音助手S-Voice.各大航空公司和顶级银行的自动呼叫中心和虚拟在线语音助手，都采用了Nuance的技术。近年来，Nuance的语音识别技术已经从实验室走向市场，将进入工业、家电、通信、汽车电子、医疗、家庭服务、消费电子产品等各个领域。

在智能车载领域，Nuance定制的汽车级语音平台Dragon Drive获得了201 5CES创新大奖，通过将车载平台与手机连接，Nuance可以帮用户实现语音控制GPS导航、信息收发、电话接打、社交网络更新等等。

在前一段时间，Nuance在其官方博客上，公布了将发力医疗领域的消息。消息中说，Nuance在医疗领域进军，不仅仅通过智能手表追踪运动情况和心率，还将会直接根据人的身体状况匹配相应的服务，如合适的餐厅或食物等，当然这些大多是基于可穿戴设备的。另外他们还考虑到更多场景.诸如紧急语音求助、医患对话存档、呼叫中心的对话听写等。

随着互联网技术的快速发展，以及手机等移动终端的普及应用，目前可以从多个渠道获取大量文本或语音方面的语料，这为语音识别中的语言模型和声学模型的训练提供了丰富的资源，使得构建通用大规模语言模型和声学模型成为可能。在语音识别中，训练数据的匹配和丰富性是推动系统性能提升的最重要因素之一，但是语料的标注和分析需要长期的积累和沉淀，随着大数据时代的来临，大规模语料资源的积累将提到战略高度。从Nuance向医疗领域发力看出，由于医疗领域词汇库专业性强演变性弱，只要建立完整的数据库，就可以做到对疾病名称、药品名称相对精确的识别。

如今国内也有了相应的应用如支持语音搜索功能的病历夹与珍立拍，致力于为医生提供一个安全存储病历资料的云空间，方便查找病例。而科大讯飞、云知声、盛大、捷通华声、中科信利、尚科语音、搜狗语音助手、紫冬口译、腾讯语音、百度语音等都日渐被用户习惯的系统，都采用了最新的语音识别技术，市面上其他相关的产品也直接或间接嵌入了类似的技术。

从打字到语音的习惯改变

随着语音识别在移动终端上的应用越来越火热，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。

腾讯、百度都建立了自己的语音团队，在移动搜索领域发力 随着吴恩达加盟，担任首席科学家，负责百度研究院，百度看起来更加高大上了许多。吴恩达的研究领域就是机器学习和人工智能，研究重点是深度学习。深度学习被认为是当前的机器学习算法里最接近人脑思维的一种。在语音识别方面，会对互联网、家用电器带来很大的改革在百度Big Talk2015年第一期公开课上，吴恩达说，“语音会是改革互联网的很大一个因素。语音识别会推动物联网的革命，比如汽车界面、家用设备，以及可穿戴设备。在这方面，特别是在移动互联网方面，中国其实领先于美国和其他国家很多。”

语音识别技术篇（8）

语音识别技术使人与机器的交流成为现实，它开创了口语移动学习的全新教育方式，受到越来越多的关注。借助互联网，移动学习以其学习时间灵活，学习内容丰富、精炼且片段化等特点，开辟了学习的新理念，让口语学习真正摆脱了时间和空间的限制，使任何人在任何时间、任何地点根据需要进行自主学习成为可能。目前，已有的基于PC的智能英语学习软件，能提供基于计算机的辅助技术，让学习者及时得到发音质量评分的智能化功能，但是基于手机端的口语学习应用不多。

本终端是一款基于Android系统开发的，进行英语口语学习的安卓语音软件。产品结合Google语音识别技术，使用GPRS或WiFi进行移动终端与Google云服务端之间的数据交流，并通过对语音识别结果的处理，最终设计成一个可以进行英语口语专线训练和自主训练的应用Oral Storm。

1 研究基础

Android平台自底层向上由四个层次组成：Linux内核层、Android运行时库与其他库层、应用框架层、应用程序层。它采用软件堆层（software stack），又名软件叠层的构架，主要分为3部分：底层以Linux内核工作为基础，由C语言开发，只提供基本功能；中间层包括函数库Library和虚拟机（virtual machine），用C++开发，最上层是各种应用软件。

2 应用架构及功能说明

专项训练模块主要是对英语口语比较重要的四个发音类别进行系统训练，这4个发音类别分别是清辅音、浊辅音、摩擦音和爆破音。在进入训练界面之前，有对各类发音方法和技巧的介绍，利于用户方便快速地学习口语的正确发音。我们将每种发音训练模式中的单词都分成10个小组，这些单词都是由学校专业英语教师挑选的有代表性的词，适合用于英语口语基础训练。用户在进行完每个小组的单词训练后，系统都会对用户的发音作出评价和打分，对经常出现发音错误的单词，用户可以选择保存，用于以后专门的训练。

自主学习模块是用户根据自身实际需求进行训练的板块。用户先输入想要训练的单词或语句，如果不知道如何发音，可以求助于应用中的英文朗读功能。英文朗读功能是将文本转换成语音信号，帮助用户轻松方便地学习每一个英语发音。用户还可以选择性地保存输入的学习内容，方便以后复习使用。

总之，专项训练模块针对学生英语学习中的四大类发音难题设计，通过专题式的学习、测试和智能评分，给用户提供随身的英语单词学习和测试环境；自主训练模块则专注于为用户提供可定制的英语单词学习专题，通过学习内容的自定义给用户最大限度的学习自由度。

3 研究技术

应用功能的实现主要使用了两大技术，获取语音识别技术和语音合成技术。

3.1 获取语音识别技术

单词发音练习需要使用Google语音搜索服务，因此必须判断当前用户手机是否支持该服务，所采用的方法是通过queryIntentActivities（）方法，查询Android系统所有具备RecognizerIntent.ACTION_RECOGNIZE_ SPEECH的Intent的应用程序，点击后能启动该应用。

在Android语音识别应用研究与开发的同时，Google语音服务需要网络支持，所以也需要判断当前用户的网络连接状况，在类中写一方法check--NetWorkStatus（）引用ConnectivityManager cwjManager来判断网络是否连接正常。

3.2 语音合成技术

语音合成技术，是一种将文本转换为语音输出的技术，其主要工作是将文本按字或词分解为音素，然后将音素生成的数字音频用扬声器播放或者保存为声音文件，然后通过多媒体软件播放。

Android手机平台，绑定了英文语音引擎，对英文语音提供内置的支持。要将文本转换为语音，首先要检查TTS数据可用，指令TextToSpeech中的Engine ACTION_CHECK_TTS_DATA就可以完成，返回结果为真，表明TTSEngine可以使用。除此之外，还有语音数据损坏和缺少发音数据等原因导致TTSEngine不能使用，这些因素都要考虑。之后是初始化TTS接口，这部分要设置发音语言引擎setLanguage（Locale.US）、发音音量Len（Volume）等。在这个过程中，还需要检测设置的发音语言类型是否可用。

4 结束语

我们开发的口语学习软件Oral Storm，可为训练单词发音提供专业、智能及终端化的一体化学习和测试环境，专题分类科学、全面，涵盖了爆破音、摩擦音等发音难点，可在专题学习后提供智能评分和语音纠正。用户使用这款应用，可以方便快速地学习英语口语的正确发音。

参考文献

[1] 邢铭生，朱浩，王宏斌.语音识别技术综述[J].科协论坛：下半月，2010（3）：62-63.

[2] 詹青龙，张静然，邵银娟.移动学习的理论研究和实践探索[J].中国电化教育，2010（3）：1-7.

[3] 周丽娴，梁昌银，沈泽.Android语音识别应用的研究与开发[J].广东通信技术，2013，33（4）：15-18.

语音识别技术篇（9）

语音识别技术使人与机器的交流成为现实，它开创了口语移动学习的全新教育方式，受到越来越多的关注。借助互联网，移动学习以其学习时间灵活，学习内容丰富、精炼且片段化等特点，开辟了学习的新理念，让口语学习真正摆脱了时间和空间的限制，使任何人在任何时间、任何地点根据需要进行自主学习成为可能。目前，已有的基于PC的智能英语学习软件，能提供基于计算机的辅助技术，让学习者及时得到发音质量评分的智能化功能，但是基于手机端的口语学习应用不多。

本终端是一款基于Android系统开发的，进行英语口语学习的安卓语音软件。产品结合Google语音识别技术，使用GPRS或WiFi进行移动终端与Google云服务端之间的数据交流，并通过对语音识别结果的处理，最终设计成一个可以进行英语口语专线训练和自主训练的应用Oral Storm。

1 研究基础

Android平台自底层向上由四个层次组成：Linux内核层、Android运行时库与其他库层、应用框架层、应用程序层。它采用软件堆层（software stack），又名软件叠层的构架，主要分为3部分：底层以Linux内核工作为基础，由C语言开发，只提供基本功能；中间层包括函数库Library和虚拟机（virtual machine），用C++开发，最上层是各种应用软件。

2 应用架构及功能说明

专项训练模块主要是对英语口语比较重要的四个发音类别进行系统训练，这4个发音类别分别是清辅音、浊辅音、摩擦音和爆破音。在进入训练界面之前，有对各类发音方法和技巧的介绍，利于用户方便快速地学习口语的正确发音。我们将每种发音训练模式中的单词都分成10个小组，这些单词都是由学校专业英语教师挑选的有代表性的词，适合用于英语口语基础训练。用户在进行完每个小组的单词训练后，系统都会对用户的发音作出评价和打分，对经常出现发音错误的单词，用户可以选择保存，用于以后专门的训练。

自主学习模块是用户根据自身实际需求进行训练的板块。用户先输入想要训练的单词或语句，如果不知道如何发音，可以求助于应用中的英文朗读功能。英文朗读功能是将文本转换成语音信号，帮助用户轻松方便地学习每一个英语发音。用户还可以选择性地保存输入的学习内容，方便以后复习使用。

总之，专项训练模块针对学生英语学习中的四大类发音难题设计，通过专题式的学习、测试和智能评分，给用户提供随身的英语单词学习和测试环境；自主训练模块则专注于为用户提供可定制的英语单词学习专题，通过学习内容的自定义给用户最大限度的学习自由度。

3 研究技术

应用功能的实现主要使用了两大技术，获取语音识别技术和语音合成技术。

3.1 获取语音识别技术

单词发音练习需要使用Google语音搜索服务，因此必须判断当前用户手机是否支持该服务，所采用的方法是通过queryIntentActivities（）方法，查询Android系统所有具备RecognizerIntent.ACTION_RECOGNIZE_ SPEECH的Intent的应用程序，点击后能启动该应用。

在Android语音识别应用研究与开发的同时，Google语音服务需要网络支持，所以也需要判断当前用户的网络连接状况，在类中写一方法check--NetWorkStatus（）引用ConnectivityManager cwjManager来判断网络是否连接正常。

3.2 语音合成技术

语音合成技术，是一种将文本转换为语音输出的技术，其主要工作是将文本按字或词分解为音素，然后将音素生成的数字音频用扬声器播放或者保存为声音文件，然后通过多媒体软件播放。

Android手机平台，绑定了英文语音引擎，对英文语音提供内置的支持。要将文本转换为语音，首先要检查TTS数据可用，指令TextToSpeech中的Engine ACTION_CHECK_TTS_DATA就可以完成，返回结果为真，表明TTSEngine可以使用。除此之外，还有语音数据损坏和缺少发音数据等原因导致TTSEngine不能使用，这些因素都要考虑。之后是初始化TTS接口，这部分要设置发音语言引擎setLanguage（Locale.US）、发音音量Len（Volume）等。在这个过程中，还需要检测设置的发音语言类型是否可用。

4 结束语

我们开发的口语学习软件Oral Storm，可为训练单词发音提供专业、智能及终端化的一体化学习和测试环境，专题分类科学、全面，涵盖了爆破音、摩擦音等发音难点，可在专题学习后提供智能评分和语音纠正。用户使用这款应用，可以方便快速地学习英语口语的正确发音。

参考文献

[1] 邢铭生，朱浩，王宏斌.语音识别技术综述[J].科协论坛：下半月，2010（3）：62-63.

[2] 詹青龙，张静然，邵银娟.移动学习的理论研究和实践探索[J].中国电化教育，2010（3）：1-7.

[3] 周丽娴，梁昌银，沈泽.Android语音识别应用的研究与开发[J].广东通信技术，2013，33（4）：15-18.

语音识别技术篇（10）

中图分类号：TN912.34 文献标识码：A 文章编号：1671-2064（2017）08-0020-01

随着广播电视管理的不断完善，对电视节目内容的监管也越来越严格，对音频搜索等技术的需求也在逐渐增加。但是，音频搜索技术还有很多难题尚未解决，如中文分词瓶颈、第三方数据存储量限制、数据处理分析瓶颈和音频识别准确度等等，这样在应用时会出现很多问题，相关部门需加大研发力度，让音频识别技术更加完善和规范。

1 语音识别关键技术介绍

1.1 语音模型自适应技术

因为环境、人的性别和口音等因素的干扰，语音数据会产生较大变化，在特殊条件下的训练无法推广应用，而自适应就可以根据测试数据进行调整避免误判。在变换的自适应中，采用相同的变换更新参数，当自适应模型参数确定后，就可以用少量自适应数据变换方程，利用变换方程来重新估计模型参数[1]。一般来说，变换方程的数目小于目标模型参数，所以使用少量自适应数据就可以估计出变换方程。但是变换方程并不能探测出单个模型的特征，其渐进性较差，无法估计特征相近人模型。

1.2 说话人识别技术

说话人识别也被称为声纹识别，通过语音信号来识别说话人的身份。说话人识别主要分为两类，即开集识别和闭集识别，两者主要通过是否需要拒识来区别。开集识别更具普遍性，相比闭集识别技术更难。比如说，我们同时监听多个人说话，开集识别需要在多个说话人中找到指定的说话人。开集说话有两大缺陷：虚警错误和漏报错误，两者之间互相制约互相影响。在应用过程中，可调整识别模块更倾向于少虚警错误或漏报错误。研究中会通过等错误率去判断说话人识别系统的性能是否达标，如果虚警错误率和漏报错误率相等就是等错误率[2]。等错误率会受到测试语音长短、样本语音信道匹配度和说话人语音长短等因素的影响，如果说话人语音越长，测试语音也就越长，两者的差异也就越小，等错误率也会相应降低。

1.3 P键词识别技术

关键词识别技术分为单阶段系统和两阶段系统两大类，单阶段系统识别主要是在关键词系统中进行识别，当关键词出现变化，系统就要重新识别。两阶段系统是将一般意义的连续语音转换为文本，然后借助文本匹配途径找到关键词。这种系统比较灵活，可以随时变换关键词，是目前使用最多的关键词识别技术。通过语音关键词检测特定内容具有两个优势：首先是准确率更高，其次是关键词会多次出现。这样在内容监管中就可以允许出现漏检错误，不必每次都准确地识别关键词。

2 语音识别技术的具体应用

2.1 音频模板匹配技术

在已知节目片头曲的条件下，可以使用音频模板匹配技术进行自动打点和分割。因为受到音频压缩和信号传输的影响，导致模板之间存在差异，就可以通过提取多频带能量相对比率，利用各个频带能量分布趋势稳定的特点，就可以解决音频信号扭曲造成的不稳定问题。

2.2 音频切分和分类技术

在处理广播电视音频信息的时候，例如语音识别和检测关键词，需要先对广播电视的音频进行切分，一般都会采用静音检测法来切分，这样可以准确定位，为音频分类工作奠定了基础。对切分的音频片段进行分类，需要根据音频类型采取不同的处理方法。非静音主要分为语音和非语音两类，而语音又分为纯语音和非纯语音，非语音分为音乐和环境音。

2.3 自动发现技术

将广告识别作为案例，利用音频检测获取新广告：首先是针对未知节目和广告而设计，因此需要去除已知模板，这样可以减少计算量。接着是利用音频向量的快速搜索算法确定重复片段的预留位置，因为音频向量都是通过音频段的信息展开检索，就会出现音频字分布相同、但排列不同的音频片段，也会有一些错误片段，所以需要筛选过滤一遍。最后是利用音频指纹搜索找出音频向量模型的重复片段。因为音频指纹检索技术是利用音频帧的排列信息开展工作，所以准确度更高，可以检测出误报片段。完成上述步骤以后，就可以通过图像帧变化率来区分非广告的重复部分。因为广告的播出费用是按照播放时间来定的，所以广告商需要在有限的时间内向观众传递更多的信息，所以视频帧的变化率就比较大，而电视剧的变化率较小，这样就可以去除重播的非广告类节目[3]。

3 结语

随着科学技术的不断发展，语音识别技术的应用范围也越来越广，识别的准确度也在不断提高。广播电视对语音监管的要求也在提高，语音识别技术必须达到要求，这样不仅可以提高节目的搜索速度，对关键内容进行快速定位，还可以减轻工作人员的工作压力，提升监管水平。

参考文献

语音识别技术篇（11）

另外，模板仅能解决一些常规情况的描述，如果完全按照模板填写，对每位患者的情况记录就缺少了个性化描述，不利于后续诊断使用。为提高文本录入效率，有些医生会使用“复制”、“粘贴”方式，通过在相似患者的病历上进行修改完成病历记录，但有漏改、漏删情况，这种方式在很大程度上增加了病历记录的出错率，对医疗文本录入的准确性是一个比较大的挑战。

语音识别技术在医疗领域的应用越来越多

语音识别技术在欧美国家医疗领域已使用将近10年，主要用于节约医生电子文本录入的时间，降低文本录入工作难度，提高医生工作满意度，让医生把更多时间和精力用在与患者及家俟低交流、为更多患者诊断等事情上。

美国Nuance公司的英文语音识别技术及电脑辅助病历抄写系统，医生可使用掌上移动型设备将病患看诊状况口述下来，存成语音档案，直接传送到语音识别服务器，10小时的语音可在5分钟内完成转录，大大缩短音频文件转录文本的时间。皇家飞利浦电子公司推出的面向医疗领域实时语音识别的专用麦克风，表面采用符合医疗专业要求的防菌抑菌材质，并定制了针对实时语音识别所需的声学硬件模块，使医院工作站实时语音识别实现成功应用，并已在欧美医院成功推广。在放射科等文本录入工作量很大的医技科室尤其受到欢迎。

从统计资料看，美国临床中使用语音识别录入的应用比例已达到10%～20%，主要用于放射科、病理科、急诊室等部门，有效控制电子文本记录及诊断报告生成时间和质量，明显提高工作效率。

语音识别技术是理想的人机交互方式之一，它能够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。北京协和医院在国内首先提出使用语音识别技术录入医疗领域电子文本时，医生纷纷表示担忧，在国内的医疗中语音识别技术的使用和推广面临以下几个难点。

目前国内主流的HIS系统已做了大量工作减少医生输入病历、医嘱时的工作量，如提供大量结构化的病历。医生已习惯这种工作模式。通过语音识别来录入电子文本，尤其在超声科、门诊等环节，医生需要一个熟悉过程。

国内医生的工作环境较复杂，口音等问题也较国外更加突出，医疗特殊单位特殊符号较多，如何保证识别的准确率，让医生用的更加流畅，也是这个项目面临的重要挑战之一。国内移动医疗的趋势越来越明显，基于移动端小屏幕的文本输入一直是语音识别应用致力于解决的问题。如何保障医院复杂环境下移动端的语音识别效果是需要探讨的问题之一。

由于医疗行业的专业性较强，每个学科差异较大，所使用的信息化系统也比较分散，如影像科使用PACS，内科使用HIS等。需要录入文字的工作量较大，但使用的信息化系统较多，要求提供的语音录入文本解决方案，需同时支持多个信息化系统使用，且最大限度降低与原有系统的耦合性。

以上问题，经过为期1年的医疗领域语音识别应用探索和实践，都得到较好解决，超过95%的中文医疗垂直领域语音识别准确率已达到实用水平，中文医疗语音识别技术探索应用方案得到北京协和医院医生认可。

北京协和医院语音识别应用探索和实践

医疗语音识别技术的应用，能将医生口述的语音转成准确度高、完全格式化的初步文件，医生可快速加以核对、编辑，每天可节约1小时左右时间。医生普遍认为语音录入病历可提高文字输入效率，降低工作难度，从总体上提高医院收容处理病人的能力，同时缩短病人的无效等待时间，增加病人满意度。

针对中文医疗语音识别的技术难点，北京协和医院做了很多探索实践工作。

一是定制医疗领域语言模型：针对各科室业务进行梳理，整理了超过30G的医疗文本资料，并对这些资料进行分类、检索等处理。使得定制语音模型覆盖各个科室常用的病症、药品名称、操作步骤等关键信息，使语音识别准确率超过95%的水平。 二是定制个性化语言模型：不同科室的医生在录入医嘱时说的话也不同。北京协和医院语音录入系统和用户的账号系统绑定。医生登录HIS时会加载所在科室的语言模型，这样就可以有效降低模型大小，提高识别准确度。同时医生也可根据自己的使用习惯，向系统中添加自己常用的词汇。 三是一体化私有建设：实现一套私有化部署的语音云支持多渠道多终端的一体化建设。除支持HIS、PACS等PC端应用，还支持移动查房等pad端应用，真正实现跨平台的多渠道互联互通应用，大大降低医疗信息化建设成本。 医疗语音识别系统采用分布式计算，具有高健壮性、高度灵活性、高性价比等特点，主要包括操作系统层、引擎层、资源包和管理工具4个层次。操作系统层提供开发接口，以及开发人员关注的接口定义、功能和使用方法；引擎层提供核心的语音处理功能，作为应用接口的功能实现者；在引擎层之上提供覆盖医疗领域的资源包，为科室提供语音识别优化的功能。同时系统完美地支持传统API调用和手机APP开发，为医院原有信息化系统提供了相关接口和SDK。

北京协和医院医疗语音识别应用效果初现

据了解，医疗语音识别已在北京协和医院病房、医技科室、手术休息区进行了尝试使用。为更好地测试语音识别效果，北京协和医院组织医生进行了语音识别系统测试和主观体验，随机抽样了135例样本进行精确统计。