語(yǔ)音識(shí)別的發(fā)展現(xiàn)狀
俞鐵城
2005/03/03
語(yǔ)音識(shí)別基礎(chǔ)
讓機(jī)器聽(tīng)懂人類(lèi)的語(yǔ)音，這是人們長(zhǎng)期以來(lái)夢(mèng)寐以求的事情。語(yǔ)音識(shí)別是一門(mén)交叉學(xué)科，關(guān)系到多學(xué)科的研究領(lǐng)域，不同領(lǐng)域上的研究成果都對(duì)語(yǔ)音識(shí)別的發(fā)展作了貢獻(xiàn)。
語(yǔ)音識(shí)別技術(shù)就是讓機(jī)器通過(guò)識(shí)別和理解過(guò)程把語(yǔ)音信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的高技術(shù)。
計(jì)算機(jī)語(yǔ)音識(shí)別過(guò)程與人對(duì)語(yǔ)音識(shí)別處理過(guò)程基本上是一致的。目前主流的語(yǔ)音識(shí)別技術(shù)是基于統(tǒng)計(jì)模式識(shí)別的基本理論。一個(gè)完整的語(yǔ)音識(shí)別系統(tǒng)可大致分為三部分：
（1）語(yǔ)音特征提�。耗康氖菑恼Z(yǔ)音波形中提取隨時(shí)間變化的語(yǔ)音特征序列。
�。�2）聲學(xué)模型與模式匹配（識(shí)別算法）：聲學(xué)模型是識(shí)別系統(tǒng)的底層模型，并且是語(yǔ)音識(shí)別系統(tǒng)中最關(guān)鍵的一部分。聲學(xué)模型通常由獲取的語(yǔ)音特征通過(guò)訓(xùn)練產(chǎn)生，目的是為每個(gè)發(fā)音建立發(fā)音模板。在識(shí)別時(shí)將未知的語(yǔ)音特征同聲學(xué)模型（模式）進(jìn)行匹配與比較，計(jì)算未知語(yǔ)音的特征矢量序列和每個(gè)發(fā)音模板之間的距離。聲學(xué)模型的設(shè)計(jì)和語(yǔ)言發(fā)音特點(diǎn)密切相關(guān)。聲學(xué)模型單元大�。ㄗ职l(fā)音模型、半音節(jié)模型或音素模型）對(duì)語(yǔ)音訓(xùn)練數(shù)據(jù)量大小、系統(tǒng)識(shí)別率，以及靈活性有較大影響。
（3）語(yǔ)義理解：計(jì)算機(jī)對(duì)識(shí)別結(jié)果進(jìn)行語(yǔ)法、語(yǔ)義分析。明白語(yǔ)言的意義以便作出相應(yīng)的反應(yīng)。通常是通過(guò)語(yǔ)言模型來(lái)實(shí)現(xiàn)。
語(yǔ)音識(shí)別技術(shù)的應(yīng)用
語(yǔ)音識(shí)別過(guò)程實(shí)際上是一種認(rèn)識(shí)過(guò)程。就像人們聽(tīng)語(yǔ)音時(shí)，并不把語(yǔ)音和語(yǔ)言的語(yǔ)法結(jié)構(gòu)、語(yǔ)義結(jié)構(gòu)分開(kāi)來(lái)，因?yàn)楫?dāng)語(yǔ)音發(fā)音模糊時(shí)人們可以用這些知識(shí)來(lái)指導(dǎo)對(duì)語(yǔ)言的理解過(guò)程。對(duì)機(jī)器來(lái)說(shuō)，識(shí)別系統(tǒng)也要利用這些方面的知識(shí)，只是鑒于語(yǔ)音信號(hào)的多變性、動(dòng)態(tài)性、瞬時(shí)性，語(yǔ)音識(shí)別技術(shù)與人類(lèi)的大腦還有一定的差距。因此在語(yǔ)言識(shí)別技術(shù)選擇，其應(yīng)用模式和系統(tǒng)開(kāi)發(fā)上，都需要專(zhuān)業(yè)的設(shè)計(jì)和調(diào)試，以實(shí)現(xiàn)最好的應(yīng)用效果。
1996年9月，Charles Schwab開(kāi)通了首個(gè)大規(guī)模商用語(yǔ)音識(shí)別應(yīng)用系統(tǒng)：股票報(bào)價(jià)系統(tǒng)。該系統(tǒng)有效地提高了服務(wù)質(zhì)量和客戶(hù)滿(mǎn)意度，并減少了呼叫中心的費(fèi)用。不久，Schwab又開(kāi)通了語(yǔ)音股票交易系統(tǒng)。
美國(guó)主要電信運(yùn)營(yíng)商Sprint的PCS部門(mén)以卓越和有創(chuàng)新的客戶(hù)服務(wù)著稱(chēng)。自2000年來(lái)為客戶(hù)開(kāi)通了語(yǔ)音驅(qū)動(dòng)系統(tǒng)，提供客戶(hù)服務(wù)、語(yǔ)音撥號(hào)、查號(hào)和更改地址等業(yè)務(wù)。2001年9月開(kāi)通的可以自然方式對(duì)話(huà)的咨詢(xún)系統(tǒng)，更實(shí)現(xiàn)了以自然、開(kāi)放的詢(xún)問(wèn)方式實(shí)時(shí)獲得所需要的信息。
Bell Canada，加拿大最大的電信運(yùn)營(yíng)商，也擁有多個(gè)語(yǔ)音驅(qū)動(dòng)系統(tǒng)，提供從客戶(hù)服務(wù)，增值業(yè)務(wù)和資訊服務(wù)多種功能。這些系統(tǒng)不但減少了用戶(hù)的投訴，也為無(wú)線(xiàn)網(wǎng)絡(luò)服務(wù)增值，增強(qiáng)了客戶(hù)的忠誠(chéng)度并開(kāi)辟了新的收入來(lái)源。
仔細(xì)分析這些案例不難發(fā)現(xiàn)，一個(gè)成功的語(yǔ)音應(yīng)用首先是基于詳細(xì)準(zhǔn)確的用戶(hù)需求調(diào)查。只有詳細(xì)了解客戶(hù)需求，才能根據(jù)需要選用不同類(lèi)型的產(chǎn)品。目前市場(chǎng)上的語(yǔ)音識(shí)別產(chǎn)品基本可分為：
特定人/非特定人：是按照聲學(xué)模型建立的方式來(lái)劃分。特定人識(shí)別的聲學(xué)模型是針對(duì)某一特定用戶(hù)訓(xùn)練的。一般來(lái)說(shuō)用戶(hù)需要先訓(xùn)練系統(tǒng)，然后才能識(shí)別該用戶(hù)的發(fā)音。而非特定人識(shí)別的聲學(xué)模型是針對(duì)某一種特定的語(yǔ)言來(lái)訓(xùn)練的，發(fā)音人不需要訓(xùn)練既可使用。雖然在建立模型時(shí)需要大量的語(yǔ)料，對(duì)用戶(hù)來(lái)說(shuō)卻提供了更大方便，他們甚至不需要了解該過(guò)程。
嵌入式/服務(wù)器模式：嵌入式是將語(yǔ)言識(shí)別軟件及模型，寫(xiě)在設(shè)備(如手機(jī))的存儲(chǔ)器里，識(shí)別過(guò)程在終端完成。在服務(wù)器模式，終端只負(fù)責(zé)收集和傳導(dǎo)語(yǔ)音信號(hào)，由服務(wù)器負(fù)責(zé)完成識(shí)別。因此，對(duì)于大規(guī)模，多用戶(hù)和有大量識(shí)別需求的系統(tǒng)，服務(wù)器模式提供了有效的方式。
目前運(yùn)營(yíng)商和企業(yè)用戶(hù)的需求多數(shù)適合采用非特定人服務(wù)器模式的服務(wù)。例如上面提到的Charles Schwab，SprintPCS和Bell Canada都選用了Nuance Communications提供的語(yǔ)音識(shí)別軟件。加之專(zhuān)業(yè)的系統(tǒng)集成方案及Nuance技術(shù)服務(wù)所提供的良好的語(yǔ)音用戶(hù)界面設(shè)計(jì)和后期優(yōu)化，使得應(yīng)用系統(tǒng)獲得了很高的客戶(hù)滿(mǎn)意度。在很多方面超過(guò)了接線(xiàn)員。
語(yǔ)音識(shí)別應(yīng)用系統(tǒng)的相關(guān)技術(shù)
在語(yǔ)音識(shí)別應(yīng)用領(lǐng)域，有許多相關(guān)技術(shù)直接影響著客戶(hù)的最終體驗(yàn)并關(guān)系到應(yīng)用系統(tǒng)的使用效果，也就是自動(dòng)化率（automation rate），即系統(tǒng)毋須人工干預(yù)獨(dú)自完成的比例。例如端點(diǎn)檢測(cè)及相關(guān)問(wèn)題，噪音環(huán)境下的語(yǔ)音處理，系統(tǒng)結(jié)構(gòu)，對(duì)口音的適應(yīng)性及語(yǔ)音界面的設(shè)計(jì)，都是語(yǔ)音識(shí)別整體應(yīng)用系統(tǒng)需要考慮的。在本系列隨后文章中，將分別為就這些問(wèn)題作一些介紹。后面稿件，我們會(huì)圍繞語(yǔ)音識(shí)別應(yīng)用涉及的相關(guān)技術(shù)進(jìn)行介紹。
通訊世界(www.tele.com.cn)
相關(guān)鏈接: