人工智能-語音識別技術

——語音識別技術2021/6/271什么是語音識別技術？

與機器進行語音交流，讓機器明白你說什么，這是人們長期以來夢寐以求的事情。語音識別技術就是讓機器通過識別和理解過程把語音信號轉變?yōu)橄鄳奈谋净蛎畹母呒夹g。語音識別技術主要包括特征提取技術、模式匹配準則及模型訓練技術三個方面。語音識別技術車聯(lián)網也得到了充分的引用，例如在翼卡車聯(lián)網中，只需按一鍵通客服人員口述即可設置目的地直接導航，安全、便捷。2021/6/272兩款語音機器人：SiriCortana2021/6/273語音識別的實現（1）首先，我們知道聲音實際上是一種波。常見的mp3、wmv等格式都是壓縮格式，必須轉成非壓縮的純波形文件來處理，比如WindowsPCM文件，也就是俗稱的wav文件。wav文件里存儲的除了一個文件頭以外，就是聲音波形的一個個點了。下圖是一個波形的示例。2021/6/274語音識別的實現（2）在開始語音識別之前，有時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，需要用到信號處理的一些技術。要對聲音進行分析，需要對聲音分幀，也就是把聲音切開成一小段一小段，每小段稱為一幀。分幀操作一般不是簡單的切開，而是使用移動窗函數來實現，這里不詳述。幀與幀之間一般是有交疊的，就像下圖這樣：2021/6/275語音識別的實現（3）圖中，每幀的長度為25毫秒，每兩幀之間有25-10=15毫秒的交疊。我們稱為以幀長25ms、幀移10ms分幀。分幀后，語音就變成了很多小段。但波形在時域上幾乎沒有描述能力，因此必須將波形作變換。常見的一種變換方法是提取MFCC特征，根據人耳的生理特性，把每一幀波形變成一個多維向量，可以簡單地理解為這個向量包含了這幀語音的內容信息。這個過程叫做聲學特征提取。實際應用中，這一步有很多細節(jié)，聲學特征也不止有MFCC這一種，具體這里不講。至此，聲音就成了一個12行（假設聲學特征是12維）、N列的一個矩陣，稱之為觀察序列，這里N為總幀數。觀察序列如下圖所示，圖中，每一幀都用一個12維的向量表示，色塊的顏色深淺表示向量值的大小。2021/6/276語音識別的實現（4）接下來就要介紹怎樣把這個矩陣變成文本了。首先要介紹兩個概念：音素：單詞的發(fā)音由音素構成。對英語，一種常用的音素集是卡內基梅隆大學的一套由39個音素構成的音素集，參見TheCMUPronouncingDictionary。漢語一般直接用全部聲母和韻母作為音素集，另外漢語識別還分有調無調，不詳述。狀態(tài)：這里理解成比音素更細致的語音單位就行啦。通常把一個音素劃分成3個狀態(tài)。語音識別是怎么工作的呢？實際上一點都不神秘，無非是：第一步，把幀識別成狀態(tài)（難點）；第二步，把狀態(tài)組合成音素；第三步，把音素組合成單詞。2021/6/277語音識別的實現（5）圖中，每個小豎條代表一幀，若干幀語音對應一個狀態(tài)，每三個狀態(tài)組合成一個音素，若干個音素組合成一個單詞。也就是說，只要知道每幀語音對應哪個狀態(tài)了，語音識別的結果也就出來了。圖中，每個小豎條代表一幀，若干幀語音對應一個狀態(tài)，每三個狀態(tài)組合成一個音素，若干個音素組合成一個單詞。也就是說，只要知道每幀語音對應哪個狀態(tài)了，語音識別的結果也就出來了。那每幀音素對應哪個狀態(tài)呢？有個容易想到的辦法，看某幀對應哪個狀態(tài)的概率最大，那這幀就屬于哪個狀態(tài)。比如下面的示意圖，這幀對應S3狀態(tài)的概率最大，因此就讓這幀屬于S3狀態(tài)。2021/6/278語音識別的實現（6）那這些用到的概率從哪里讀取呢？有個叫“聲學模型”的東西，里面存了一大堆參數，通過這些參數，就可以知道幀和狀態(tài)對應的概率。獲取這一大堆參數的方法叫做“訓練”，需要使用巨大數量的語音數據，訓練的方法比較繁瑣，這里不講。但這樣做有一個問題：每一幀都會得到一個狀態(tài)號，最后整個語音就會得到一堆亂七八糟的狀態(tài)號，相鄰兩幀間的狀態(tài)號基本都不相同。假設語音有1000幀，每幀對應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。實際上，相鄰幀的狀態(tài)應該大多數都是相同的才合理，因為每幀很短。解決這個問題的常用方法就是使用隱馬爾可夫模型（HiddenMarkovModel，HMM）。這東西聽起來好像很高深的樣子，實際上用起來很簡單：第一步，構建一個狀態(tài)網絡。第二步，從狀態(tài)網絡中尋找與聲音最匹配的路徑。

這樣就把結果限制在預先設定的網絡中，避免了剛才說到的問題，當然也帶來一個局限，比如你設定的網絡里只包含了“今天晴天”和“今天下雨”兩個句子的狀態(tài)路徑，那么不管說些什么，識別出的結果必然是這兩個句子中的一句。2021/6/279語音識別的實現（7）那如果想識別任意文本呢？把這個網絡搭得足夠大，包含任意文本的路徑就可以了。但這個網絡越大，想要達到比較好的識別準確率就越難。所以要根據實際任務的需求，合理選擇網絡大小和結構。搭建狀態(tài)網絡，是由單詞級網絡展開成音素網絡，再展開成狀態(tài)網絡。語音識別過程其實就是在狀態(tài)網絡中搜索一條最佳路徑，語音對應這條路徑的概率最大，這稱之為“解碼”。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。2021/6/2710語音識別的實現（8）這里所說的累積概率，由三部分構成，分別是：觀察概率：每幀和每個狀態(tài)對應的概率轉移概率：每個狀態(tài)轉移到自身或轉移到下個狀態(tài)的概率語言概率：根據語言統(tǒng)計規(guī)律得到的概率其中，前兩種概率從聲學模型中獲取，最后一種概率從語言模型中獲取。語言模型是使用大量的文本訓練出來的，可以利用某門語言本身的統(tǒng)計規(guī)律來幫助提升識別正確率。語言模型很重要，如果不使用語言模型，當狀態(tài)網絡較大時，識別出的結果基本是一團亂麻。2021/6/27112021/6/2712聲學模型

聲學模型是把語音轉化為聲學表示的輸出，即找到給定的語音源于某個聲學符號的概率。對于聲學符號，最直接的表達方式是詞組，但是在訓練數據量不充分的情況下，很難得到一個好的模型。詞組是由多個音素的連續(xù)發(fā)音構成，另外，音素不但有清晰的定義而且數量有限。因而，在語音識別中，通常把聲學模型轉換成了一個語音序列到發(fā)音序列（音素）的模型和一個發(fā)音序列到輸出文字序列的字典。

需要注意的是，由于人類發(fā)聲器官運動的連續(xù)性，以及某些語言中特定的拼讀習慣，會導致音素的發(fā)音受到前后音素的影響。為了對不同語境的音素加以區(qū)分，通常使用能夠考慮前后各一個音素的三音子作為建模單元。

另外，在聲學模型中，可以把三音子分解為更小的顆?！獱顟B(tài)，通常一個三音子對應3個狀態(tài)，但是這會引起建模參數的指數增長，常用的解決方案是使用決策樹先對這些三音子模型進行聚類，然后使用聚類的結果作為分類目標。最常用的聲學建模方式是隱馬爾科夫模型（HMM）。在HMM下，狀態(tài)是隱變量，語音是觀測值，狀態(tài)之間的跳轉符合馬爾科夫假設。其中，狀態(tài)轉移概率密度多采用幾何分布建模，而擬合隱變量到觀測值的觀測概率的模型常用高斯混合模型（GMM）。2021/6/2713傳統(tǒng)模型GMM-HMM的算法語音識別過程就是輸入一段語音信號，找到一串文字（字或詞）序列的過程，語音輸入O

=o1,o2,o3,...,ot

對應的標注W

=w1,w2,w3,...,wn

這個過程一般用概率來表示，用O表示語音信號，用W表示文字序列，則是要解決下面這個問題：由貝葉斯公式2021/6/2714展開，可得由于P(O|W

)P(W

)/P(O)是對每個句子進行計算的，而對每個句子來說P(O)是不變的，所以可以改寫成如下其中P(O|W

)稱做觀測最大釋然，由聲學模型計算可得其中P(