語(yǔ)音識(shí)別的研究現(xiàn)狀和應(yīng)用前景

1、語(yǔ)音識(shí)別的研究現(xiàn)狀和應(yīng)用前景語(yǔ)音識(shí)別技術(shù)并不是一夜之間冒出來的神話，早在三四十年前，在美國(guó)的一些大學(xué)和研究單位，就已經(jīng)有人開始從事這一方向的研究，并有一些相關(guān)論文發(fā)表；七十年代前后，研究的脈絡(luò)日漸清晰，于是貝爾實(shí)驗(yàn)室和國(guó)際商用機(jī)器公司（IBM）等都先后建立了專門的研究機(jī)構(gòu)。今天這兩家公司在這一領(lǐng)域都已取得了顯著的成果，并且在商業(yè)上應(yīng)用成功，但貝爾實(shí)驗(yàn)室主要是偏重于電信方面應(yīng)用的語(yǔ)音識(shí)別系統(tǒng)，如電話查詢等；而IBM則偏重于商務(wù)應(yīng)用，因而在連續(xù)語(yǔ)音識(shí)別上取得了不小的成功。不談商業(yè)方面的應(yīng)用，事實(shí)上，很多家公司都提供語(yǔ)音識(shí)別的引擎（Engne）并且都表示能支持微軟的SAPI?？匆豢碨API4.0SU

2、TE就不難發(fā)現(xiàn)，微軟在這方面的研究并不遜于任何一家公司，只是很奇怪它居然沒有將成果商業(yè)化。微軟同時(shí)提供了一系列引擎，如SpechRcognitOn（語(yǔ)音識(shí)另力、Command&Cbntol（發(fā)布指令并控制）、PhoneQuery（電話語(yǔ)音識(shí)另以Texttospech（文本語(yǔ)音轉(zhuǎn)換）等。今天，許多用戶已經(jīng)能享受到語(yǔ)音技術(shù)的優(yōu)勢(shì)了，可以對(duì)計(jì)算機(jī)發(fā)送命令，或者要求計(jì)算機(jī)記錄下用戶所說的話，以及將文本轉(zhuǎn)換成聲音朗讀出來。盡管如此，距離真正的人機(jī)自由交流的前景似乎還遠(yuǎn)。目前，計(jì)算機(jī)還需要對(duì)用戶作大量訓(xùn)練才能識(shí)別用戶的語(yǔ)音。并且，識(shí)別率也并不總是盡如人意。換言之，語(yǔ)音識(shí)別技術(shù)還有一段路需要走，要做

3、到真正成功的商業(yè)化，它還必須在很多方面取得突破性進(jìn)展，這實(shí)際就是其技術(shù)的未來走向。就算法模型方面而言，需要有進(jìn)一步的突破。目前能看出它的一些明顯不足，尤其在中文語(yǔ)音識(shí)別方面，語(yǔ)言模型還有待完善，因?yàn)檎Z(yǔ)言模型和聲學(xué)模型正是聽寫識(shí)別的基礎(chǔ)，這方面沒有突破，語(yǔ)音識(shí)別的進(jìn)展就只能是一句空話。目前使用的語(yǔ)言模型只是一種概率模型，還沒有用到以語(yǔ)言學(xué)為基礎(chǔ)的文法模型，而要使計(jì)算機(jī)確實(shí)理解人類的語(yǔ)言，就必須在這一點(diǎn)上取得進(jìn)展，這是一個(gè)相當(dāng)艱苦的工作。此外，隨著硬件資源的不斷發(fā)展，一些核心算法如特征提取、搜索算法或者自適應(yīng)算法將有可能進(jìn)一步改進(jìn)?？梢韵嘈?，半導(dǎo)體和軟件技術(shù)的共同進(jìn)步將為語(yǔ)音識(shí)別技術(shù)的基礎(chǔ)性工作帶

4、來福音。就自適應(yīng)方面而言，語(yǔ)音識(shí)別技術(shù)也有待進(jìn)一步改進(jìn)。目前，象IBM的MaWice和Asiaworks的SPK都需要用戶在使用前進(jìn)行幾百句話的訓(xùn)練，以讓計(jì)算機(jī)適應(yīng)你的聲音特征。這必然限制了語(yǔ)音識(shí)別技術(shù)的進(jìn)一步應(yīng)用，大量的訓(xùn)練不僅讓用戶感到厭煩，而且加大了系統(tǒng)的負(fù)擔(dān)。并且，不能指望將來的消費(fèi)電子應(yīng)用產(chǎn)品也針對(duì)單個(gè)消費(fèi)者進(jìn)行訓(xùn)練。因此，必須在自適應(yīng)方面有進(jìn)一步的提高,做到不受特定人、口音或者方言的影響，這實(shí)際上也意味著對(duì)語(yǔ)言模型的進(jìn)一步改進(jìn)?，F(xiàn)實(shí)世界的用戶類型是多種多樣的，就聲音特征來講有男音、女音和童音的區(qū)別,此外，許多人的發(fā)音離標(biāo)準(zhǔn)發(fā)音差距甚遠(yuǎn)，這就涉及到對(duì)口音或方言的處理。如果語(yǔ)音識(shí)別能做

5、到自動(dòng)適應(yīng)大多數(shù)人的聲線特征，那可能比提高一二個(gè)百分點(diǎn)識(shí)別率更重要。事實(shí)上，MaWCe的應(yīng)用前景也因?yàn)檫@一點(diǎn)打了折扣，只有普通話說得很好的用戶才可以在其中文版連續(xù)語(yǔ)音識(shí)別方面取得相對(duì)滿意的成績(jī)。就強(qiáng)健性方面而言，語(yǔ)音識(shí)別技術(shù)需要能排除各種環(huán)境因素的影響。目前，對(duì)語(yǔ)音識(shí)別效果影響最大的就是環(huán)境雜音或嗓音，在公共場(chǎng)合，你幾乎不可能指望計(jì)算機(jī)能聽懂你的話，來自四面八方的聲音讓它茫然而不知所措。很顯然這極大地限制了語(yǔ)音技術(shù)的應(yīng)用范圍，目前，要在嘈雜環(huán)境中使用語(yǔ)音識(shí)別技術(shù)必須有特殊的抗嗓(NoseCancelaton)麥克風(fēng)才能進(jìn)行，這對(duì)多數(shù)用戶來說是不現(xiàn)實(shí)的。在公共場(chǎng)合中，個(gè)人能有意識(shí)地摒棄環(huán)境嗓音并

6、從中獲取自己所需要的特定聲音，如何讓語(yǔ)音識(shí)別技術(shù)也能達(dá)成這一點(diǎn)呢？這的確是一個(gè)艱巨的任務(wù)。此外，帶寬問題也可能影響語(yǔ)音的有效傳送，在速率低于1000比特/秒的極低比特率下，語(yǔ)音編碼的研究將大大有別于正常情況，比如要在某些帶寬特別窄的信道上傳輸語(yǔ)音，以及水聲通信、地下通信、戰(zhàn)略及保密話音通信等，要在這些情況下實(shí)現(xiàn)有效的語(yǔ)音識(shí)別，就必須處理聲音信號(hào)的特殊特征，如因?yàn)閹挾舆t或減損等。語(yǔ)音識(shí)別技術(shù)要進(jìn)一步應(yīng)用，就必須在強(qiáng)健性方面有大的突破。多語(yǔ)言混合識(shí)別以及無限詞匯識(shí)別方面目前使用的聲學(xué)模型和語(yǔ)音模型太過于局限，以至用戶只能使用特定語(yǔ)音進(jìn)行特定詞匯的識(shí)別。如果突然從中文轉(zhuǎn)為英文，或者法文、俄文，計(jì)

7、算機(jī)就會(huì)不知如何反應(yīng)，而給出一堆不知所云的句子；或者用戶偶爾使用了某個(gè)專門領(lǐng)域的專業(yè)術(shù)語(yǔ),如"信噪比"等，可能也會(huì)得到奇怪的反應(yīng)。這一方面是由于模型的局限，另一方面也受限于硬件資源。隨著兩方面的技術(shù)的進(jìn)步，將來的語(yǔ)音和聲學(xué)模型可能會(huì)做到將多種語(yǔ)言混合納入，用戶因此就可以不必在語(yǔ)種之間來回切換。此外，對(duì)于聲學(xué)模型的進(jìn)一步改進(jìn)，以及以語(yǔ)義學(xué)為基礎(chǔ)的語(yǔ)言模型的改進(jìn)，也能幫助用戶盡可能少或不受詞匯的影響，從而可實(shí)行無限詞匯識(shí)別。任何技術(shù)的進(jìn)步都是為了更進(jìn)一步拓展我們?nèi)祟惖纳婧徒涣骺臻g，以使我們獲得更大的自由，就服務(wù)于人類而言，這一點(diǎn)顯然也是語(yǔ)音識(shí)別技術(shù)的發(fā)展方向，而為了達(dá)成這一點(diǎn)

8、，它還需要在上述幾個(gè)方面取得突破性進(jìn)展，要實(shí)現(xiàn)這一點(diǎn)，Intel架構(gòu)平臺(tái)的性能進(jìn)步也是一個(gè)關(guān)鍵的因素，最終，多語(yǔ)種自由交流系統(tǒng)將帶給我們?nèi)碌纳羁臻g。語(yǔ)音識(shí)別技術(shù)的廣闊應(yīng)用前景語(yǔ)音識(shí)別技術(shù)的發(fā)展的確經(jīng)歷了一個(gè)漫長(zhǎng)的漸進(jìn)過程。二十多年前，它還只是科研人員在實(shí)驗(yàn)室里描述的一個(gè)夢(mèng)想般的希望，但兩個(gè)方面的進(jìn)步終于促成了這一技術(shù)的平民化。其一，半導(dǎo)體技術(shù)的發(fā)展使得以前只有在巨型機(jī)上才能進(jìn)行的語(yǔ)音識(shí)別系統(tǒng)如今在微機(jī)上就可以實(shí)現(xiàn)。無疑，英特爾公司在這其中扮演了重要的角色，今天，多數(shù)的普通家庭都對(duì)aintelInsde這樣一句廣告詞耳熟能詳，并且也具備足夠的支付能力來使用一臺(tái)高性能微機(jī)；其二，軟件技術(shù)的演進(jìn)

9、也使得這項(xiàng)技術(shù)走向?qū)嵱?，一些核心算法，如特征提取、語(yǔ)音的聲學(xué)摸型及相應(yīng)的語(yǔ)言模型，搜索算法及自適應(yīng)算法等都取得了長(zhǎng)足的進(jìn)展。軟硬件技術(shù)的有效結(jié)合為我們提供了一種全新的遠(yuǎn)景。很顯然，語(yǔ)音處理正在革新這個(gè)世界，因?yàn)橐坏┵x予人類語(yǔ)音以力量之后，任何會(huì)說話的人都將能自由地應(yīng)用這種技術(shù)。并且，這也是現(xiàn)存的最為自然的用戶界面。多數(shù)人可能都懷著一種模糊而激動(dòng)的心情期待著這一新技術(shù)的來臨，然而，語(yǔ)音識(shí)別技術(shù)確切地能夠?yàn)槲覀儙硎裁茨?？許多行業(yè)還并未清晰地意識(shí)到該技術(shù)所可能開拓的廣闊空間。但是，就目前的發(fā)展勢(shì)態(tài)及技術(shù)進(jìn)步來看，它將有可能涉足人類生活的每一領(lǐng)域。目前，在信息處理、教育與商務(wù)應(yīng)用、消費(fèi)電子應(yīng)用方面，

10、語(yǔ)音識(shí)別技術(shù)都已經(jīng)展現(xiàn)出了它的巨大優(yōu)勢(shì)。一、語(yǔ)音識(shí)別技術(shù)在信息處理領(lǐng)域的應(yīng)用：個(gè)人電腦的普及在中國(guó)一直有著不小的障礙。多數(shù)的中國(guó)用戶往往會(huì)被其復(fù)雜的用戶界面弄得不知所措。此外，漢字輸入也是計(jì)算機(jī)應(yīng)用的一個(gè)困難，即使五筆字型已經(jīng)如此著名，但愿意花時(shí)間去學(xué)并且學(xué)好的人也并不很多，而拼音輸入對(duì)于發(fā)音不太準(zhǔn)或拼音基礎(chǔ)不好的人來講也成問題。因此，語(yǔ)音識(shí)別技術(shù)至少首先在這兩個(gè)方面有著廣闊的應(yīng)用。簡(jiǎn)單地講，語(yǔ)音識(shí)別技術(shù)在信息處理領(lǐng)域的首要的巨大應(yīng)用將在于提供了一種全新的人機(jī)交互形式，在這樣一種形式之下，將會(huì)拓展出許多應(yīng)用分支：1 .給計(jì)算機(jī)發(fā)送指令(Conmand&Coitio):Windows的圖

11、形用戶界面雖然已經(jīng)大大簡(jiǎn)化了操作環(huán)境，但大多數(shù)用戶仍然會(huì)在其中迷失方向。而且，日益出現(xiàn)的新領(lǐng)域也超過了一般用戶的理解能力。而現(xiàn)在，隨著語(yǔ)音識(shí)別技術(shù)的應(yīng)用，計(jì)算機(jī)將會(huì)象是一位與你交談的伙伴，你可能只需要對(duì)著話筒說幾句話，就可以實(shí)現(xiàn)那些隱藏在Windows層層菜單后面的功能。目前，國(guó)際商用機(jī)器公司(IBM)在這方面已經(jīng)有成熟的產(chǎn)品。國(guó)內(nèi)購(gòu)買聯(lián)想微機(jī)的用戶想必已經(jīng)體到了這一技術(shù)的優(yōu)勢(shì)，語(yǔ)音輸入已經(jīng)取代鍵盤和鼠標(biāo)成為你與計(jì)算機(jī)交流的又一方式。2 .聽寫系統(tǒng)(DiCatior)：去年9月4日IBM在人民大會(huì)堂召開的新聞發(fā)布會(huì)上就宣布了這一成熟技術(shù)商品化應(yīng)用的成功，它的最主要特征是實(shí)現(xiàn)了中文連續(xù)語(yǔ)音識(shí)別，

12、這標(biāo)志著中文語(yǔ)音識(shí)別技術(shù)劃時(shí)代的進(jìn)展,，這套系統(tǒng)還實(shí)現(xiàn)了非特定語(yǔ)音的識(shí)別，中文輸入速度可達(dá)到平均每分鐘150字，平均最高識(shí)別率達(dá)到95%,并具有“自我”學(xué)習(xí)的功能，很顯然這將大大降低計(jì)算機(jī)應(yīng)用的障礙，并簡(jiǎn)化了信息處理的方式。3 .信息查詢：由于語(yǔ)音識(shí)別技術(shù)使得計(jì)算機(jī)能夠聽懂指令，因此，將語(yǔ)音識(shí)另h語(yǔ)言理解與大量的數(shù)據(jù)庫(kù)檢索和查詢技術(shù)相結(jié)合，就能夠?qū)崿F(xiàn)更輕松的信息查詢方式。比如，圖書館的資料信息將能夠?qū)碜杂脩舻恼Z(yǔ)音輸入進(jìn)行理解，并將它轉(zhuǎn)化為相應(yīng)的指令，從數(shù)據(jù)庫(kù)中獲取結(jié)果并返回給用戶。公司的決策者也不用再花很多時(shí)間來研究如何使用軟件，他只要對(duì)著計(jì)算機(jī)表達(dá)出他所需要的信息就可以了，使用者通過簡(jiǎn)單的

13、命令就可以獲得當(dāng)下的資料。4 .網(wǎng)上交談可能對(duì)于多數(shù)中國(guó)用戶來講，網(wǎng)上交談還是一個(gè)憧憬，但實(shí)際上技術(shù)就在你的身邊，你只需要拿起來使用就可以了。網(wǎng)上交談?dòng)袃蓚€(gè)層次目前很流行的“聊天室"還限于文字層面，你盡可以對(duì)著話筒說就是了，計(jì)算機(jī)將及時(shí)把它轉(zhuǎn)成文字并發(fā)送出去；最為理想的網(wǎng)上交談是語(yǔ)音識(shí)別技術(shù)、機(jī)器翻譯技術(shù)和語(yǔ)音合成技術(shù)的完美結(jié)合，這意味著你可以面對(duì)世界上任何地方的某個(gè)人，雖然你們彼此并不懂對(duì)方的語(yǔ)言，而且遠(yuǎn)在天涯，卻可以自由地交談。當(dāng)你對(duì)著話筒說完后，計(jì)算機(jī)會(huì)識(shí)別你的語(yǔ)音并轉(zhuǎn)化為文字，而機(jī)器輔助翻譯則會(huì)馬上將這些文字翻譯成對(duì)方的文字并傳送過去，對(duì)方的計(jì)算機(jī)則將這些文字再合成為語(yǔ)音并讀

14、出來，整個(gè)過程類似于“同聲傳譯:只是機(jī)器在這里充當(dāng)了主角。二、教育與商務(wù)應(yīng)用；在教育與商務(wù)領(lǐng)域，語(yǔ)音識(shí)別技術(shù)的應(yīng)用前景也是廣泛的。1 .語(yǔ)音教學(xué)軟件就教育領(lǐng)域來講，語(yǔ)音識(shí)別技術(shù)的最直接的應(yīng)用就是幫助用戶更好地練習(xí)語(yǔ)言技巧。在過去，用戶只是通過簡(jiǎn)單的模仿來進(jìn)行學(xué)習(xí)，而無法精確地比較自己發(fā)音的差異，我曾見過一家美國(guó)公司開發(fā)的一套TaktoMe，當(dāng)用戶跟著計(jì)算機(jī)說完一句話后，計(jì)算機(jī)會(huì)同時(shí)顯示標(biāo)準(zhǔn)發(fā)音和用戶發(fā)音的波形比照?qǐng)D，并給出分?jǐn)?shù)。用戶通過比較波形圖就可以發(fā)現(xiàn)自己在某個(gè)發(fā)音細(xì)節(jié)方面的差異，并且可以反復(fù)對(duì)比傾聽來體會(huì)這種差異。同時(shí)，基于語(yǔ)音比較技術(shù)而給出的分?jǐn)?shù)也更具有公正性，并可以激勵(lì)用戶的學(xué)習(xí)潛質(zhì)

15、；我還見過另一家美國(guó)公司開發(fā)的一套幼教兒童產(chǎn)品，孩子可以對(duì)著話筒指揮動(dòng)物做各種動(dòng)作，從而借此來學(xué)習(xí)語(yǔ)言技能，不難想象，將語(yǔ)音技術(shù)應(yīng)用于教育方面的空間是極其巨大的，目前雙語(yǔ)公司也正考慮推出這方面的產(chǎn)品。2 .電話查詢：語(yǔ)音識(shí)別技術(shù)的另一個(gè)發(fā)展分支就是電話語(yǔ)音識(shí)別技術(shù)的發(fā)展，貝爾實(shí)驗(yàn)室是這方面的先驅(qū)，電話語(yǔ)音識(shí)別技術(shù)將能夠?qū)崿F(xiàn)電話查詢、自動(dòng)接線以及一些專門業(yè)務(wù)如旅游信息等的操作，但電話語(yǔ)音識(shí)別的難度還包括對(duì)冗余信息的處理，因?yàn)槿藗兊娜粘？谡Z(yǔ)中多數(shù)是沒有特定意義的。我曾見過貝爾實(shí)驗(yàn)室和菲利普公司各自開發(fā)的電話查詢系統(tǒng)，都已做得相當(dāng)出色，電話彼端的計(jì)算機(jī)系統(tǒng)處理來自查詢者的信息并作出相應(yīng)的應(yīng)答，比如查

16、詢天氣信息、公司特定員工電話號(hào)碼等等。3 .電子商務(wù)：隨著網(wǎng)格技術(shù)的進(jìn)一步發(fā)展，電子商務(wù)也正在日漸流行，設(shè)想一下，你也許只需要坐在家中，通過向計(jì)算機(jī)發(fā)布命令就可以實(shí)現(xiàn)網(wǎng)上購(gòu)物，從而免掉跋涉之勞，語(yǔ)音識(shí)別技術(shù)和電子商務(wù)的結(jié)合，將創(chuàng)造一種全新的交易方式。類似的，語(yǔ)音技術(shù)還可以用于聲導(dǎo)系統(tǒng)等，總之，它將有可能改變我們的整個(gè)商業(yè)運(yùn)作模式，并創(chuàng)造更大的便利。三、消費(fèi)電子產(chǎn)品應(yīng)用計(jì)算機(jī)的發(fā)展方向?qū)⒖赡苁沟谜Z(yǔ)音識(shí)技術(shù)在手持電腦上進(jìn)行，乃至固定到一個(gè)小小的芯片上，假如確實(shí)能夠在一個(gè)指頭大小的芯片上應(yīng)用語(yǔ)音識(shí)別技術(shù)，那將不僅僅只是給用戶帶來一些方便而已。事實(shí)上，將這些算法嵌入到更小的芯片中去,將為語(yǔ)音識(shí)別應(yīng)用開拓更新的領(lǐng)域?，F(xiàn)在，一般的家電產(chǎn)品，機(jī)械系統(tǒng)乃至各