本文章主要介紹了語音識别技術語的發展、基本原理、語音特征，目的是幫助PM了解語音技術方面的知識，有助于語音類相關産品的設計～

一、語音識别的發展

• 20世紀50年代，語音識别的研究工作開始，這時主要探索和研究聲音和語音學的基本概念和原理。
• 20世紀60年代，可以解決不等長語音匹配問題。
• 20世紀70年代，随着NLP技術和微電子技術的深入發展，語音識别領域的線性預測分析技術得到廣泛應用，HMM等技術基本成熟。
• 20世紀80年代，語音研究其顯著特征是HMM和人工神經網絡（ANN）。

從發展可以看出：語音識别技術最早依靠匹配，尋找單個音節、單個詞和标準語音模闆的最大相似度進行匹配。後來伴随着統計學被引入到語音識别中，将該技術逐步從模闆匹配技術轉向基于統計模型技術。

二、語音識别的基本原理

對于不同的語音識别過程，人們采用的識别方法和技術不同，但所用的原理大緻相同，即将經過降噪處理後的語音送入特征提取模塊，然後對語音信号特征處理後輸出識别結果。

在這個過程中，特征提取是構建語音系統的關鍵，對識别結果起到了重要作用，原理見下圖：

• 預處理：過濾掉原始語音中的次要信息或噪音等，将語音信号轉化為數字信号。
• 特征提取：提取語音特征參數，形成特征矢量序列。

三、語音信号特征

實現語音識别，就需要語音參數來刻畫語音信息。語音原本具有短時特性，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音頻特征，叫音頻幀特征。相對音頻幀較長的時間間隔成為音頻段，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：時域特征、頻域特征和聲學感知特征。

時域特征利用了音頻信号在時域上面的信息，可以理解成橫軸為時間，縱軸為音頻信号。通過過零率、短時能量、音量、自相關系數等來描述音頻信号在時間上的信息。

• 過零率是指：音頻信号由正到負、由負到正過程中，通過零的次數。應用于語音信号分析中，濁音具有較低的過零率，清音具有較高的過零率（發音時聲帶振動的是濁音，聲帶不振動的是清音）。
• 短時能量則是：通過能量的計算方法用于監測濁音和清音的轉換時刻。應用與語音信号分析中，短時能量大的地方過零率低，短時能量小的地方過零率高。

頻域特征是把時域波形信号轉換到頻譜，然後進行計算。

聲學感知特征是聲學上定義的概念，考慮了人的聽覺感知特點，但通常計算比較複雜。

3.2 音頻段特征

音頻段特征是在音頻幀特征基礎上提取出來的，獲取音頻段特征的基本方法是：将音頻段對應的音頻幀特征經過均值、方差、标準差等統計學公式計算得出來的。

四、預處理模塊

原始語音信号傳入預處理模塊的目的：是為了壓縮原始語音數據，提取出有代表性的特征來做後續的識别，主要分為三部分：預加重、分幀加窗、端點檢測。

4.1 預加重

在語音識别過程中，經常會遇到原始語音數據因為噪音、背景音或次要信息的影響導緻識别效果變差。預加重的目的就是為了提高語音質量，從含有噪聲語音的信号中，盡可能提取純淨的原始語音信号。

它的方法有很多，下面列舉三個：

（1）譜減法

首先假設噪音和期望語音信号相互獨立，然後通過估計噪音的功率，在原始語音中減去噪音功率達到去除噪音的目的。

這個方法較适用于噪音平穩波動性小的情況。

（2）自适應濾波法

通過獲得前一時刻的濾波器參數，去自動調節現在時刻的濾波器參數。我的理解是：假設語音信号具有較強的相關性，那麼取t 1時刻的濾波器參數作用于t時刻的語音信号，形成純淨的語音信号。

（3）小波去噪法

基于信号和噪聲的小波系數在各尺度的分布特性，采用阈值的方法，達到去除噪聲的目的。

4.2 分幀加窗

語音信号可假定為短時平穩的，即在較短時間内（如5-50ms），語音信号基本保持不變，然後把語音信号分隔為一些音頻段再加以處理。

這些短段一般是周期的，對每個短段語音進行處理，就等效于對固定特性的這樣原始語音進行處理。對每一幀處理的結果，就可以看作是一個新的依賴于時間的序列，且這個序列可用于描述語音信号特征。

例如：原始語音采樣序列為x(m)，那麼分段後的序列可以理解為x(m)乘以窗函數w(n-m)得到的。

窗函數越寬，對信号的平滑作用越明顯，反之，對信号幾乎沒有任何平滑作用。

4.3 端點檢測

對語音信号中的有聲片段和無聲片段進行分割，然後再針對有聲片段的語音特征進行識别，主要是利用語音特征參數進行判斷。一般情況下，端點監測是語音識别的第一步。

研究表明：即使是在安靜的環境中，語音識别系統一半以上的識别錯誤來自端點檢測。

本文由 @豬不會飛 原創發布于人人都是産品經理。未經許可，禁止轉載

題圖來自Unsplash，基于CC0協議

,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!

查看全部