語音識別技術(shù)課件

語音識別技術(shù)

語音識別技術(shù)1目錄123語音識別過程

概述總結(jié)及展望語音識別技術(shù)目錄123語音識別過程概述總結(jié)及展望語音識別2語音識別技術(shù)1概述各種終端設(shè)備的智能化和集成化程度越來越高，傳統(tǒng)的信息檢索和菜單操作方式已經(jīng)越來越無法滿足要求。迫切需要有一種更加便捷的信息檢索和命令操作方式來替代傳統(tǒng)的按鍵操作。為什么需要語音識別技術(shù)？語音識別技術(shù)1概述各種終端設(shè)備的智能化和集成化程度越來越高，3語音識別技術(shù)1概述語音識別技術(shù)就是讓機器通過識別和理解過程把語音信號轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的高技術(shù)，也就是讓機器聽懂人類的語音。也被稱為自動語音識別AutomaticSpeechRecognition，(ASR)，其目標是將人類的語音中的詞匯內(nèi)容轉(zhuǎn)換為計算機可讀的輸入，例如按鍵、二進制編碼或者字符序列。什么是語音識別技術(shù)？語音識別技術(shù)1概述語音識別技術(shù)就是讓機器通過識別和理解過程把4語音識別技術(shù)1概述1.語音輸入系統(tǒng)，相對于鍵盤輸入方法，它更符合人的日常習(xí)慣，也更自然、更高效；語音識別技術(shù)應(yīng)用在哪些領(lǐng)域呢？2.語音控制系統(tǒng)，即用語音來控制設(shè)備的運行，相對于手動控制來說更加快捷、方便，可以用在諸如工業(yè)控制、語音撥號系統(tǒng)、智能家電、聲控智能玩具等許多領(lǐng)域；3.智能對話查詢系統(tǒng)，根據(jù)客戶的語音進行操作，為用戶提供自然、友好的數(shù)據(jù)庫檢索服務(wù)，例如家庭服務(wù)、賓館服務(wù)、旅行社服務(wù)系統(tǒng)、訂票系統(tǒng)、醫(yī)療服務(wù)、銀行服務(wù)、股票查詢服務(wù)等等。語音識別技術(shù)1概述1.語音輸入系統(tǒng)，相對于鍵盤輸入方法，它更5語音識別技術(shù)2語音識別過程（傳統(tǒng)的基于HMM的語音識別）1.在開始語音識別之前，通常需要把首尾端的靜音切除，降低對后續(xù)步驟造成的干擾。這個靜音切除的操作一般稱為VAD。2.分幀，也就是把聲音切開成一小段一小段，每小段稱為一幀。語音識別技術(shù)2語音識別過程（傳統(tǒng)的基于HMM的語音識別）1.6語音識別技術(shù)2語音識別過程3.波形變換。常用的一種方法是提取MFCC特征，通過12維的向量來描述一幀的波形，12維向量是根據(jù)耳朵的生理特征提取的，這一過程稱為聲學(xué)特征提取。聲音就被轉(zhuǎn)換成了12行N列的矩陣（觀察序列）語音識別技術(shù)2語音識別過程3.波形變換。常用的一種方法是提取7語音識別技術(shù)2語音識別過程4.矩陣變成文本。a.把幀識別成狀態(tài)。b.把狀態(tài)組合成音素。c.把音素組合成單詞。（單詞、音素、狀態(tài)）語音識別技術(shù)2語音識別過程4.矩陣變成文本。a.把幀8語音識別技術(shù)2語音識別過程問題1：那每幀音素對應(yīng)哪個狀態(tài)呢？答：看某幀對應(yīng)哪個狀態(tài)的概率最大，那這幀就屬于哪個狀態(tài)。問題2：那這些用到的概率從哪里讀取呢？答：聲學(xué)模型，里面存了一大堆參數(shù)，通過這些參數(shù)，就可以知道幀和狀態(tài)對應(yīng)的概率。獲取這一大堆參數(shù)的方法叫做“訓(xùn)練”。語音識別技術(shù)2語音識別過程問題1：那每幀音素對應(yīng)哪個狀態(tài)呢？9語音識別技術(shù)2語音識別過程問題3：假設(shè)語音有1000幀，每幀對應(yīng)1個狀態(tài)，每3個狀態(tài)組合成一個音素，那么大概會組合成300個音素，但這段語音其實根本沒有這么多音素。如果真這么做，得到的狀態(tài)號可能根本無法組合成音素。答：利用隱馬爾可夫模型來解決。隱馬爾可夫模型（HiddenMarkovModel，HMM）。第一步，構(gòu)建一個狀態(tài)網(wǎng)絡(luò)。第二步，從狀態(tài)網(wǎng)絡(luò)中尋找與聲音最匹配的路徑。這樣就把結(jié)果限制在預(yù)先設(shè)定的網(wǎng)絡(luò)中（有利有弊）。那如果想識別任意文本呢？把這個網(wǎng)絡(luò)搭得足夠大，包含任意文本的路徑就可以了。但這個網(wǎng)絡(luò)越大，想要達到比較好的識別準確率就越難。所以要根據(jù)實際任務(wù)的需求，合理選擇網(wǎng)絡(luò)大小和結(jié)構(gòu)。語音識別技術(shù)2語音識別過程問題3：假設(shè)語音有1000幀，每幀10語音識別技術(shù)2語音識別過程5.解碼。搭建狀態(tài)網(wǎng)絡(luò)，是由單詞級網(wǎng)絡(luò)展開成音素網(wǎng)絡(luò)，再展開成狀態(tài)網(wǎng)絡(luò)。語音識別過程其實就是在狀態(tài)網(wǎng)絡(luò)中搜索一條最佳路徑，語音對應(yīng)這條路徑的概率最大。路徑搜索的算法是一種動態(tài)規(guī)劃剪枝的算法，稱之為Viterbi算法，用于尋找全局最優(yōu)路徑。觀察概率和轉(zhuǎn)移概率（聲學(xué)模型）、語言概率（語言模型）語音識別技術(shù)2語音識別過程5.解碼。搭建狀態(tài)網(wǎng)絡(luò)，是由單詞級11語音識別技術(shù)2語音識別過程總結(jié)語音識別技術(shù)2語音識別過程總結(jié)123總結(jié)及展望21世紀，信息和網(wǎng)絡(luò)飛速發(fā)展，信息和網(wǎng)絡(luò)的時代已經(jīng)來臨，人與人之間的距離隨著Internet和移動電話網(wǎng)的連接和普及變得越來越近，信息資源擴散的越來越迅速，人與機器的交互顯得尤為重要。語音識別技術(shù)的研究和應(yīng)用可以讓人無論何時何地都可以通過語音交互的方式實現(xiàn)任何事，可以使人更方便的享受更多的社會信息資源