探析語音識別技術的發(fā)展及趨勢
時間：
廖锎1由 分享
論文關鍵詞 語音識別技術 發(fā)展 趨勢
論文摘要 近20年來,隨著信息技術的不斷發(fā)展,語音識別技術也逐步的發(fā)展成熟。語音識別技術研究讓人更加方便地享受到更多的社會信息資源和現(xiàn)代化服務,對任何事都能夠通過語音交互的方式。本文就對語音技術的發(fā)展及趨勢作了簡單的闡述。
語音識別是一門交叉學科。語音識別研究經(jīng)歷了50多年的研究歷程,經(jīng)過50多年的積累研究,獲得了巨大的進展。特別是近20年來,語音識別技術取得了顯著的進步,并逐步的走向市場。在未來的日子里,語音識別技術將應用更為廣泛。本文就語音識別的發(fā)展及趨勢作簡單的闡述。
1 語音技術的發(fā)展歷史
50年代,研究人員多數(shù)致力于聲學和語音學的基本概念。1952年,在AT& T Bell實驗室實現(xiàn)了一個單一發(fā)音人孤立發(fā)音的10個英文數(shù)字的語音識別系統(tǒng),方法主要是度量每個數(shù)字的元音音段的共振峰。1956年,RCA Lab 開展了另外一項獨立研究,試圖識別單一發(fā)音的10個不同的音節(jié),同樣采用了度量共振峰的方法。1959年,英國University College的研究人員開始嘗試另外一種思路,用譜分析和模板匹配方法構建音素識別器,用來識別4個元音和9個輔音。60年代,相繼出現(xiàn)并發(fā)表了語音識別的幾個重要的思想。1962年,東京大學進行了另一個音素識別器的硬件實現(xiàn)的嘗試。它使用過零率方法分離語音信號的不同部分,并進行識別。1963年,日本NEC Lab對數(shù)字進行語音識別的嘗試可以算得上最值得注意的工作,因為它不僅是NEC研究語音識別的開端,還導致一個長期的和卓有成效的研究計劃。在60年代中,3個研究項目的開展對其后20多年的語音識別研究和開發(fā)產(chǎn)生了重大影響。第一個研究項目在RCA Lab開始于60年代后期,目的是研究語音事件在時間刻度上不均勻性的現(xiàn)實解決辦法。在能夠可靠檢測出語音事件的始末點的基礎上,發(fā)展了一套時間歸正的基本方法。
2 語音識別技術的發(fā)展現(xiàn)狀
語音識別技術通過全球科學家的共同努力,經(jīng)歷半個多世紀的研究,目前已經(jīng)發(fā)展到了接近實用的階段。在實驗室環(huán)境下,大詞匯量的朗讀式連續(xù)說話的寬帶語音信號的平均識別率可以達到90%以上。正式有了如此高的識別率之后,語音識別技術慢慢地從實驗室演示系統(tǒng)逐步走向實用化商品。以IBM Via Voice和Dragon Dictation為代表的兩個聽寫機系統(tǒng)的出現(xiàn),使“語音識別”逐步進入大眾視線,引起了廣泛的社會關注。
由于校對和更正識別的錯誤很麻煩和浪費時間,這樣便降低語音識別的優(yōu)勢。同時,由于使用的環(huán)境或講話口音習慣等因素的影響,語音識別的內容大大降低,識別的內容不能達到100%的正確,所以很多人認為目前的語音識別系統(tǒng)還無法滿足實用要求。
目前,AT&T和MIT等將語音識別技術應用在一些有限詞匯的特定任務上,如電話自動轉接、電話查詢、數(shù)字串識別的任務中,當講話的內容是系統(tǒng)所存儲的內容存在的,且使用環(huán)境的聲學特性與訓練數(shù)據(jù)的聲學特性相差不太大時,語音識別的正確識別率可以接近100%。但是,在實際使用中如果這些條件被破壞,則會對識別系統(tǒng)造成一定的影響。
3 語音識別技術發(fā)展趨勢
雖然語音識別在過去的20年里有了很大的發(fā)展,但是,仍然存在很多的不足,有待于進一步的探索,具體可分為以下幾個方面:
1)提高可靠性。語音識別技術需要能排除各種聲學環(huán)境因素的影響。在比較嘈雜的公共環(huán)境中,人的意識會有意識的排除非需要的聲學環(huán)境因素,這對語音識別系統(tǒng)而言,是很難做到的。另外,在日常生活中,人類的語言常常具有較大的不確定性,比較隨意,并帶有明顯的言語習慣。這同樣會給語音識別系統(tǒng)很大的識別麻煩。目前,在提高語音系統(tǒng)在不同環(huán)境中的可靠性,同時要應用現(xiàn)代技術讓語音識別系統(tǒng)更加智能化,掌握人們語言隨意性的部分規(guī)律,以達到最佳的識別效果。
2)增加詞匯量。系統(tǒng)可以識別的詞匯的數(shù)量是系統(tǒng)能夠做什么事情的一個重要度量。一個語音識別系統(tǒng)使用的聲學模型和語音模型如果太過于局限,當用戶所講的詞匯超出系統(tǒng)已知的范圍時,則語音識別系統(tǒng)不能準確的識別出相應的內容,比如,當突然從中文轉為英文、法文、俄文時,計算機就會常常輸出混亂奇怪的結果。但是,隨著系統(tǒng)建模方法的不斷改進、搜索算法效率的提高以及硬件資源的發(fā)展,未來的語音識別系統(tǒng)可能會做到詞匯量無限制和多種語言混合,這樣用戶在使用的時候可以不必在語種之間來回切換,這樣就能大大減少詞匯量的對語音識別系統(tǒng)的限制。
3)應用拓展。語音識別技術可以用于把費腦、費力、費時的機器操作變成一件很容易很有趣味性的事,比如,當人們出現(xiàn)手忙、手不能及以及分身無術的場景時,通過語音識別系統(tǒng)的模型構造,則能夠在象駕駛室、危險的工業(yè)場合、遠距離信息獲取、家電控制等各個方面,語音識別技術可能帶動一系列嶄新或更便捷功能的設備出現(xiàn),更加方便人的工作和生活。其應用的范圍和前景非常廣泛。不僅能夠應用于日常生活,更重要的會帶來生產(chǎn)方式的革命,是下一代智能化控制的基礎。
4)降低成本減小體積。微型化是語音識別技術商業(yè)應用的另一個重要途徑,其推廣程這取決于語音識別技術本身進步的程度,同時與微電子芯片技術的進一步發(fā)展關系密切。將具有先進功能和性能的語音識別應用系統(tǒng)固化到更加微小的芯片或模塊上,可以大幅度降低產(chǎn)品成本和體積,產(chǎn)品必然受到消費者的青睞,語音識別系統(tǒng)和微電子芯片技術的發(fā)展是會引領我們的信息技術革命到一個新的臺階。
21世紀是信息和網(wǎng)絡的時代,Internet和移動通信、固話通信的網(wǎng)絡把全球各地連接起來。自然口語對話、電子商務、信息索取、數(shù)字圖書館、語音翻譯、遠程教育等一系列的人類活動都可在網(wǎng)絡上實現(xiàn)。語音識別系統(tǒng)的出現(xiàn),會讓人更加自由的溝通,讓人在任何地方,任何時間,對任何事都能夠通過語音交互的方式,方便地享受到更多的社會信息資源和現(xiàn)代化服務。這必然會成為語音識別技術研究和應用的重要發(fā)展趨勢。
參考文獻
[1]楊尚國,楊金龍.語音識別技術概述[J].福建電腦,2006 (8).
[2]孫寧,孫勁光,孫宇.基于神經(jīng)網(wǎng)絡的語音識別技術研究 [J].計算機與數(shù)字工程,2006.
論文摘要 近20年來,隨著信息技術的不斷發(fā)展,語音識別技術也逐步的發(fā)展成熟。語音識別技術研究讓人更加方便地享受到更多的社會信息資源和現(xiàn)代化服務,對任何事都能夠通過語音交互的方式。本文就對語音技術的發(fā)展及趨勢作了簡單的闡述。
語音識別是一門交叉學科。語音識別研究經(jīng)歷了50多年的研究歷程,經(jīng)過50多年的積累研究,獲得了巨大的進展。特別是近20年來,語音識別技術取得了顯著的進步,并逐步的走向市場。在未來的日子里,語音識別技術將應用更為廣泛。本文就語音識別的發(fā)展及趨勢作簡單的闡述。
1 語音技術的發(fā)展歷史
50年代,研究人員多數(shù)致力于聲學和語音學的基本概念。1952年,在AT& T Bell實驗室實現(xiàn)了一個單一發(fā)音人孤立發(fā)音的10個英文數(shù)字的語音識別系統(tǒng),方法主要是度量每個數(shù)字的元音音段的共振峰。1956年,RCA Lab 開展了另外一項獨立研究,試圖識別單一發(fā)音的10個不同的音節(jié),同樣采用了度量共振峰的方法。1959年,英國University College的研究人員開始嘗試另外一種思路,用譜分析和模板匹配方法構建音素識別器,用來識別4個元音和9個輔音。60年代,相繼出現(xiàn)并發(fā)表了語音識別的幾個重要的思想。1962年,東京大學進行了另一個音素識別器的硬件實現(xiàn)的嘗試。它使用過零率方法分離語音信號的不同部分,并進行識別。1963年,日本NEC Lab對數(shù)字進行語音識別的嘗試可以算得上最值得注意的工作,因為它不僅是NEC研究語音識別的開端,還導致一個長期的和卓有成效的研究計劃。在60年代中,3個研究項目的開展對其后20多年的語音識別研究和開發(fā)產(chǎn)生了重大影響。第一個研究項目在RCA Lab開始于60年代后期,目的是研究語音事件在時間刻度上不均勻性的現(xiàn)實解決辦法。在能夠可靠檢測出語音事件的始末點的基礎上,發(fā)展了一套時間歸正的基本方法。
2 語音識別技術的發(fā)展現(xiàn)狀
語音識別技術通過全球科學家的共同努力,經(jīng)歷半個多世紀的研究,目前已經(jīng)發(fā)展到了接近實用的階段。在實驗室環(huán)境下,大詞匯量的朗讀式連續(xù)說話的寬帶語音信號的平均識別率可以達到90%以上。正式有了如此高的識別率之后,語音識別技術慢慢地從實驗室演示系統(tǒng)逐步走向實用化商品。以IBM Via Voice和Dragon Dictation為代表的兩個聽寫機系統(tǒng)的出現(xiàn),使“語音識別”逐步進入大眾視線,引起了廣泛的社會關注。
由于校對和更正識別的錯誤很麻煩和浪費時間,這樣便降低語音識別的優(yōu)勢。同時,由于使用的環(huán)境或講話口音習慣等因素的影響,語音識別的內容大大降低,識別的內容不能達到100%的正確,所以很多人認為目前的語音識別系統(tǒng)還無法滿足實用要求。
目前,AT&T和MIT等將語音識別技術應用在一些有限詞匯的特定任務上,如電話自動轉接、電話查詢、數(shù)字串識別的任務中,當講話的內容是系統(tǒng)所存儲的內容存在的,且使用環(huán)境的聲學特性與訓練數(shù)據(jù)的聲學特性相差不太大時,語音識別的正確識別率可以接近100%。但是,在實際使用中如果這些條件被破壞,則會對識別系統(tǒng)造成一定的影響。
3 語音識別技術發(fā)展趨勢
雖然語音識別在過去的20年里有了很大的發(fā)展,但是,仍然存在很多的不足,有待于進一步的探索,具體可分為以下幾個方面:
1)提高可靠性。語音識別技術需要能排除各種聲學環(huán)境因素的影響。在比較嘈雜的公共環(huán)境中,人的意識會有意識的排除非需要的聲學環(huán)境因素,這對語音識別系統(tǒng)而言,是很難做到的。另外,在日常生活中,人類的語言常常具有較大的不確定性,比較隨意,并帶有明顯的言語習慣。這同樣會給語音識別系統(tǒng)很大的識別麻煩。目前,在提高語音系統(tǒng)在不同環(huán)境中的可靠性,同時要應用現(xiàn)代技術讓語音識別系統(tǒng)更加智能化,掌握人們語言隨意性的部分規(guī)律,以達到最佳的識別效果。
2)增加詞匯量。系統(tǒng)可以識別的詞匯的數(shù)量是系統(tǒng)能夠做什么事情的一個重要度量。一個語音識別系統(tǒng)使用的聲學模型和語音模型如果太過于局限,當用戶所講的詞匯超出系統(tǒng)已知的范圍時,則語音識別系統(tǒng)不能準確的識別出相應的內容,比如,當突然從中文轉為英文、法文、俄文時,計算機就會常常輸出混亂奇怪的結果。但是,隨著系統(tǒng)建模方法的不斷改進、搜索算法效率的提高以及硬件資源的發(fā)展,未來的語音識別系統(tǒng)可能會做到詞匯量無限制和多種語言混合,這樣用戶在使用的時候可以不必在語種之間來回切換,這樣就能大大減少詞匯量的對語音識別系統(tǒng)的限制。
3)應用拓展。語音識別技術可以用于把費腦、費力、費時的機器操作變成一件很容易很有趣味性的事,比如,當人們出現(xiàn)手忙、手不能及以及分身無術的場景時,通過語音識別系統(tǒng)的模型構造,則能夠在象駕駛室、危險的工業(yè)場合、遠距離信息獲取、家電控制等各個方面,語音識別技術可能帶動一系列嶄新或更便捷功能的設備出現(xiàn),更加方便人的工作和生活。其應用的范圍和前景非常廣泛。不僅能夠應用于日常生活,更重要的會帶來生產(chǎn)方式的革命,是下一代智能化控制的基礎。
4)降低成本減小體積。微型化是語音識別技術商業(yè)應用的另一個重要途徑,其推廣程這取決于語音識別技術本身進步的程度,同時與微電子芯片技術的進一步發(fā)展關系密切。將具有先進功能和性能的語音識別應用系統(tǒng)固化到更加微小的芯片或模塊上,可以大幅度降低產(chǎn)品成本和體積,產(chǎn)品必然受到消費者的青睞,語音識別系統(tǒng)和微電子芯片技術的發(fā)展是會引領我們的信息技術革命到一個新的臺階。
21世紀是信息和網(wǎng)絡的時代,Internet和移動通信、固話通信的網(wǎng)絡把全球各地連接起來。自然口語對話、電子商務、信息索取、數(shù)字圖書館、語音翻譯、遠程教育等一系列的人類活動都可在網(wǎng)絡上實現(xiàn)。語音識別系統(tǒng)的出現(xiàn),會讓人更加自由的溝通,讓人在任何地方,任何時間,對任何事都能夠通過語音交互的方式,方便地享受到更多的社會信息資源和現(xiàn)代化服務。這必然會成為語音識別技術研究和應用的重要發(fā)展趨勢。
參考文獻
[1]楊尚國,楊金龍.語音識別技術概述[J].福建電腦,2006 (8).
[2]孫寧,孫勁光,孫宇.基于神經(jīng)網(wǎng)絡的語音識別技術研究 [J].計算機與數(shù)字工程,2006.