語音識別技術(shù)，也被稱為自動語音識別（Automatic Speech Recognition，ASR），是以語音為研究對象，通過語音信號處理和模式識別讓機器理解人類語言，并將其轉(zhuǎn)換為計算機可輸入的數(shù)字信號的一門技術(shù)。

語音識別的技術(shù)歷程

現(xiàn)代語音識別可以追溯到1952年，Davis等人研制了世界上第一個能識別10個英文數(shù)字發(fā)音的實驗系統(tǒng)，從此正式開啟了語音識別的進程。語音識別發(fā)展到今天已經(jīng)有70多年，但從技術(shù)方向上可以大體分為三個階段。

下圖是從1993年到2017年在Switchboard上語音識別率的進展情況，從圖中也可以看出1993年到2009年，語音識別一直處于GMM-HMM時代，語音識別率提升緩慢，尤其是2000年到2009年語音識別率基本處于停滯狀態(tài)。2009年隨著深度學(xué)習技術(shù)，特別是DNN的興起，語音識別框架變?yōu)镈NN-HMM，語音識別進入了DNN時代，語音識別精準率得到了顯著提升。

2015年以后，由于“端到端”技術(shù)興起，語音識別進入了百花齊放時代，語音界都在訓(xùn)練更深、更復(fù)雜的網(wǎng)絡(luò)，同時利用端到端技術(shù)進一步大幅提升了語音識別的性能，直到2017年微軟在Swichboard上達到詞錯誤率5.1%，從而讓語音識別的準確性首次超越了人類，當然這是在一定限定條件下的實驗結(jié)果，還不具有普遍代表性。

語音識別原理

語音識別的本質(zhì)是一種基于語音特征參數(shù)的模式識別，即通過學(xué)習，系統(tǒng)能夠把輸入的語音按一定模式進行分類，進而依據(jù)判定準則找出最佳匹配結(jié)果。目前，模式匹配原理已經(jīng)被應(yīng)用于大多數(shù)語音識別系統(tǒng)中。如圖1是基于模式匹配原理的語音識別系統(tǒng)框圖。

一般的模式識別包括預(yù)處理，特征提取，模式匹配等基本模塊。如圖所示首先對輸入語音進行預(yù)處理，其中預(yù)處理包括分幀，加窗，預(yù)加重等。其次是特征提取，因此選擇合適的特征參數(shù)尤為重要。

常用的特征參數(shù)包括：基音周期，共振峰，短時平均能量或幅度，線性預(yù)測系數(shù)（LPC），感知加權(quán)預(yù)測系數(shù)（PLP），短時平均過零率，線性預(yù)測倒譜系數(shù)（LPCC），自相關(guān)函數(shù)，梅爾倒譜系數(shù)（MFCC），小波變換系數(shù)，經(jīng)驗?zāi)B(tài)分解系數(shù)（EMD），伽馬通濾波器系數(shù)（GFCC）等。

在進行實際識別時，要對測試語音按訓(xùn)練過程產(chǎn)生模板，最后根據(jù)失真判決準則進行識別。常用的失真判決準則有歐式距離，協(xié)方差矩陣與貝葉斯距離等。

語音識別技術(shù)涉及的領(lǐng)域有哪些

它涉及的領(lǐng)域相當廣泛，包括但不限于以下幾個方面：

智能語音助手：智能語音技術(shù)為我們帶來了智能助理，如Siri、小愛同學(xué)等。用戶可以通過語音與智能助理進行交流，詢問天氣、定鬧鐘、發(fā)送消息等，實現(xiàn)更加直觀、便捷的操作。

智能家居：借助智能語音技術(shù)，用戶可以通過簡單的口頭指令控制家居設(shè)備，例如開關(guān)燈、調(diào)整溫度、播放音樂等，實現(xiàn)智能家居的全方位控制和管理。

醫(yī)療領(lǐng)域：語音識別技術(shù)可以輔助醫(yī)生對病人進行診斷，對病人的病情和治療方案進行記錄等。此外，它還可以應(yīng)用于醫(yī)療設(shè)備的操作中，使得醫(yī)療設(shè)備更加智能化和便利化。

教育領(lǐng)域：語音識別技術(shù)可以輔助學(xué)生進行口語練習，提高學(xué)生的英語口語水平等。另外，它還可以應(yīng)用于教育評測中，通過語音識別來評估學(xué)生的語音表達能力、語感等。

金融領(lǐng)域：語音識別技術(shù)可以用于身份驗證、語音指令操作等。此外，它還可以應(yīng)用于金融客戶服務(wù)中，使得客戶可以通過語音來查詢賬戶信息、進行轉(zhuǎn)賬等操作，更加便捷快速。

游戲領(lǐng)域：語音識別技術(shù)可以應(yīng)用于游戲領(lǐng)域，如通過語音識別來與游戲角色進行交互，使得游戲更加真實、有趣。

智能客服：語音識別技術(shù)可以幫助用戶通過語音指令獲取客服服務(wù)，解決客服等待時間長的問題。

語音翻譯：在全球化的今天，語音識別技術(shù)可以幫助人們實現(xiàn)不同語言之間的翻譯。

隨著技術(shù)的不斷發(fā)展和完善，語音識別技術(shù)將在更多領(lǐng)域得到應(yīng)用，并為人們的生活帶來更多便利。

審核編輯：黃飛