什么是語音識別

語音識別是以語音為研究對象，通過語音信號處理和模式識別讓機(jī)器自動識別和理解人類口述的語言。

語音識別技術(shù)歷史發(fā)展進(jìn)程

語音識別的研究可以追溯到20世紀(jì)50年代AT&T貝爾實(shí)驗(yàn)室的Audry系統(tǒng)，它是第一個可以識別十個英文數(shù)字的語音識別系統(tǒng)。

但真正取得實(shí)質(zhì)性進(jìn)展，并將它作為一個重要的課題開展研究則是在60年代末70年代初。計算機(jī)技術(shù)的發(fā)展為語音識別的實(shí)現(xiàn)提供了硬件和軟件的可能，語音信號線性預(yù)測編碼（LPC）技術(shù)和動態(tài)時間規(guī)整（DTW）技術(shù)的提出，有效解決了語音信號的特征提取和不等長匹配問題。這一時期語音識別主要基于模板匹配原理，研究的領(lǐng)域局限在特定人，小詞匯表的孤立詞識別，實(shí)現(xiàn)了基于線性預(yù)測倒譜和DTW技術(shù)的特定人孤立詞語音識別系統(tǒng)；同時提出了矢量量化（VQ）和隱馬爾可夫模型（HMM）理論。

80年代HMM和ANN在語音識別中成功應(yīng)用。李開復(fù)實(shí)現(xiàn)了第一個基于HMM的大詞匯量語音識別系統(tǒng)Sphinx。90年代隨著多媒體時代的來臨，大量企業(yè)開始投入巨資語音識別系統(tǒng)逐漸從實(shí)驗(yàn)室走向?qū)嵱谩?0年代以來大數(shù)據(jù)、漣漪效應(yīng)和深度神經(jīng)網(wǎng)絡(luò)帶來了語音識別爆發(fā)。

語音識別的過程

首先是聲音的輸入，輸入的音頻可以是實(shí)時的來自于麥克風(fēng)，也可以來自于現(xiàn)成的音頻文件。然后是音頻信號的預(yù)處理，包括降噪、回聲消除、端點(diǎn)檢查和模數(shù)轉(zhuǎn)換等等。特征提取，就是從音頻信號中提取出對識別有用的信息，將這些信息拿到聲學(xué)模型中去匹配，會得到這些音頻信號的發(fā)音信息，比如這里例子中的“科大訊飛”四個字的發(fā)音信息。然后把這些發(fā)音信息拿到語言模型中匹配，找出最大概率的發(fā)這四個音的漢字。這樣一個識別的過程就完成了。

這過程中比較核心的部分就是聲學(xué)模型和語言模型的匹配和處理，HMM（隱馬爾科夫模型）和深度神經(jīng)網(wǎng)絡(luò)就是在這里發(fā)揮作用的。

由于HMM只需要少量的數(shù)據(jù)就能訓(xùn)練出一個可用的模型，所以在上世界80、90年代，HMM技術(shù)在語音識別領(lǐng)域幾乎是處于統(tǒng)治地位的，直到移動互聯(lián)網(wǎng)還有大數(shù)據(jù)技術(shù)的爆發(fā)，數(shù)據(jù)的來源已經(jīng)完全不是問題的情況下，深度神經(jīng)網(wǎng)絡(luò)才逐漸讓HMM退居二線。下面我們以HMM為例，講解一下它在語音識別中是如何發(fā)揮作用的。

HMM淺析

首先和大家分享一個我在網(wǎng)上看到的關(guān)于異地戀的故事：小明有個女朋友在北京上學(xué)。

我們來給出一些假設(shè)條件，比如女朋友只有購物散步和宅家里這三種活動（這些叫可觀察到的狀態(tài)），天氣也只有多云晴天和下雨三種（這些叫隱藏的狀態(tài)，就是小明無法直接觀察到的狀態(tài)），如果第一天是多云的情況下，第二天還是多云的概率是0.5、晴天的概率0.3、下雨的概率0.2；再比如今天是晴天的情況下，女朋友去購物的概率是0.5，去散步的概率0.3，宅家里的概率0.2。那么所有上述的假設(shè)條件合在一起其實(shí)就形成了一個模型，這個模型就叫做HMM模型。

這三個問題在很早以前就有很多算法大師給出了解法，也就是說這些看起來很難解的問題對計算機(jī)來說都很快解出來。

那么這些和語音識別到底有什么關(guān)系？我將第二個問題和第三個問題抽象一下。

大家看這張PPT，左邊這個部分就對應(yīng)剛剛的第二個問題：已知模型參數(shù)和女朋友的活動序列（就是可觀察狀態(tài)鏈），來求最大概率的隱藏狀態(tài)鏈（也就是這三天天氣的變化序列）。

而語音識別也是已知一個HMM和一段我們可觀察到的波形，來求這段音頻包含的最大概率的隱藏狀態(tài)，這里隱藏狀態(tài)鏈指的就是識別結(jié)果中的文字。

對于第三個問題，由于缺少了一個已知的HMM模型，所以我們需要先利用已知的歷史數(shù)據(jù)來訓(xùn)練一個可用的模型，然后再來求識別結(jié)果。

同樣一個模型，同樣一套模型參數(shù)，各個狀態(tài)轉(zhuǎn)化和映射概率都沒有變，我們把可觀察狀態(tài)換成語音識別的輸入波形（或者說是波形特征），把隱藏狀態(tài)換成語音識別的輸出（也就是文字結(jié)果），就會發(fā)現(xiàn)這個HMM用來做語音識別簡直太合適啦。

比如這里的例子，這樣三個連續(xù)的波形隱含的文字到底是“是十四”還是“四十四”，我們只需要分別把它們的概率算出來，哪個概率大我們就認(rèn)為是哪個結(jié)果。對于HMM模型未知的情況下，我們可以利用帶標(biāo)注的數(shù)據(jù)按照鮑姆-韋爾奇算法訓(xùn)練一個就可以了，足夠的數(shù)據(jù)就能訓(xùn)練出趨于完美的模型。

注意，這個例子中我們并沒有區(qū)分聲學(xué)模型和語言模型，而是將兩者放在一起抽象出來一個大的模型，將波形直接映射成文字，而省去類似拼音發(fā)音的中間結(jié)果。事實(shí)上HMM也的確是既可以做聲學(xué)模型，也可以做語言模型。

訊飛開放平臺語音識別

本節(jié)公開課說的我們平臺的語音識別是專指語音聽寫的功能，就是將語音轉(zhuǎn)化成文字的功能，而和識別相關(guān)的命令詞識別和語義理解，會在后面的課程中為大家講解。

個性化識別指的是語音識別系統(tǒng)具備自動學(xué)習(xí)并適應(yīng)用戶使用習(xí)慣的能力，你用的越多，它越懂你。

例如語言模型的個性化，我們可以將一些不容易識別的生僻的詞，比如人名地名等上傳到給我們云端，我們根據(jù)你上傳的信息有針對性的優(yōu)化你的語言模型，提高這些詞的識別率。后面會有視頻給大家演示這樣的效果。

目前我們訊飛的識別支持中文和英文，還支持中文的21種方言，其中粵語和四川話是免費(fèi)開放就可以使用的，其他的方言需要通過商務(wù)合作后才能使用。

離線聽寫也是有的，在訊飛輸入法和訊飛語記app中都已經(jīng)使用了。大家要開發(fā)Android平臺的應(yīng)用可以借助語記APP提供離線聽寫能力，來讓你自己的應(yīng)用也具有離線聽寫的功能。