語音識別前景如何？
鄭方 1999/12/06
鄭方，1967年生于江蘇省，獲清華大學(xué)計算機(jī)科學(xué)與技術(shù)專業(yè)學(xué)士、碩士及博士學(xué)位�，F(xiàn)為清華大學(xué)副教授，清華－adidsp技術(shù)研究中心主任及語音實(shí)驗(yàn)室主任。鄭方作為主要承擔(dān)者或負(fù)責(zé)人參與了許多語音識別領(lǐng)域的國家重點(diǎn)攻關(guān)項(xiàng)目和863高科技項(xiàng)目并多次獲獎。另外，他還負(fù)責(zé)開發(fā)了若干基于ti和adi的dsp語音識別產(chǎn)品。他的專業(yè)興趣包括信號處理，聲學(xué)／語言模型建模，孤立詞／連續(xù)語音識別，關(guān)鍵詞檢出，語音聽寫，語言理解等�，F(xiàn)為ieee會員，中國《中文信息學(xué)報》編委。他已發(fā)表40余篇有關(guān)語音處理的學(xué)術(shù)論文，其中數(shù)篇獲獎。
在以計算機(jī)或類計算機(jī)為核心的電子產(chǎn)品時代，人機(jī)交互技術(shù)正成為各國研究的重點(diǎn)之一。
所謂人機(jī)交互技術(shù)，就是利用人類自身的語言、文字、圖像等進(jìn)行人機(jī)之間通訊的技術(shù)統(tǒng)稱，人機(jī)自然語言（語音）通訊是其中較具潛能的一種。由于具有理解人類自然語言的計算機(jī)智能是新一代計算機(jī)的重要特征，圍繞人機(jī)自然語言交互技術(shù)有關(guān)課題的研究是當(dāng)今計算機(jī)、人工智能和信號處理研究的前沿?zé)狳c(diǎn)課題，難度很大，既有很強(qiáng)的理論性又有很強(qiáng)的實(shí)驗(yàn)性。
人機(jī)語音交互的關(guān)鍵技術(shù)包括：語音識別與理解、語音合成和機(jī)器翻譯等。這些關(guān)鍵技術(shù)本身又具有廣闊的應(yīng)用和市場前景，其中尤以語音識別為甚。許多國家都制定了專門計劃大力開展語音識別方面的研究，其中包括美國的darpa、英國的alvy、法國的escep、中國的863和973等計劃。漢語的人機(jī)交互技術(shù)因漢字的計算機(jī)輸入問題而更有著極其廣闊的市場應(yīng)用前景。
研究領(lǐng)域
廣義的語音識別應(yīng)該是一個統(tǒng)稱，指與語音數(shù)字信號處理相關(guān)的各種意義上的識別。具體地講，它包括以下幾個方面。
�。�1）識別說話的內(nèi)容是什么。按詞表大小分，有小詞表、中詞表和大詞表語音識別；按發(fā)音方式分，有孤立詞、連接詞和連續(xù)語音的語音識別；按說話人適應(yīng)范圍分，有特定人、限定人和非特定人語音識別。隨著語音識別的發(fā)展，派生出的新課題還有關(guān)鍵詞識別或稱關(guān)鍵詞檢出，這在基于內(nèi)容的信息檢索中將會發(fā)揮很大的作用。美國bell實(shí)驗(yàn)室80年代推出的5個關(guān)鍵詞識別系統(tǒng)是一個成功的范例，它目前廣泛用于美國at＆t的電話設(shè)備，可以對用連續(xù)語音表述的各種不同付費(fèi)方式通過關(guān)鍵詞檢出進(jìn)行分流，每年為at＆t公司節(jié)省數(shù)億美元的接線員人工費(fèi)。
�。�2）識別說話人是誰。和內(nèi)容識別不同，內(nèi)容識別是說話人共性的識別，而說話人識別則是個性的識別，即所謂的聲紋識別。該技術(shù)為說話人的身份鑒別和確認(rèn)、個性化環(huán)境配置以及信息安全等提供了一種可選的方案。
�。�3）識別說的是什么語言。這就是語種識別。隨著語音識別的多語種化和混合語種化，在把語音分揀到不同語種的識別器之前，語種識別起到了很好的預(yù)分流作用。
�。�4）評價說話的標(biāo)準(zhǔn)程度。這是說話發(fā)音評分。其目標(biāo)是給出用戶發(fā)音標(biāo)準(zhǔn)程度百分制得分并指出發(fā)音不標(biāo)準(zhǔn)的地方，供學(xué)習(xí)者參考，可以廣泛用于語言教學(xué)應(yīng)用中。這里的難點(diǎn)是如何給出“百分制得分”和如何指出發(fā)音不標(biāo)準(zhǔn)的地方，有時往往需要綜合利用諸如語音確認(rèn)和拒識、聲調(diào)識別、韻律識別等綜合技術(shù)。
典型應(yīng)用產(chǎn)品
從應(yīng)用的角度講，目前在市場上有以下幾種典型的語音識別產(chǎn)品。
�。�1）語音命令和控制，這是無論從技術(shù)還是應(yīng)用角度講都已經(jīng)很成熟的中小詞表孤立詞語音識別�？梢詮V泛應(yīng)用于諸如語音命令導(dǎo)航、家電語音控制、聲控電話號碼簿和聲控?fù)芴�、個人數(shù)字助理等。但是要使其真正好用并被用戶廣泛接受，沒有關(guān)鍵詞檢出技術(shù)是不行的。
�。�2）非特定人、大詞表、連續(xù)語音識別，即語音聽寫機(jī)，代表了語音識別的最高目標(biāo)。美國ibm公司的voicetype和viavoice、美國dragon公司的naturallyspeaking、我國臺灣聲碩公司的“說亦通”，以及我們實(shí)驗(yàn)室的easytalk等都屬于這類產(chǎn)品。
這類產(chǎn)品在某種程度上講已經(jīng)取得了很大的成功，但是很多方面的因素卻影響了它的推廣。第一是用戶的語音產(chǎn)品觀念和對語音產(chǎn)品的認(rèn)同程度；第二是產(chǎn)品的識別率；第三是產(chǎn)品的易用性和友好程度。如果說這三個因素可以通過技術(shù)人員和市場人員的努力而逐步得以改善的話，那么下面一個因素將幾乎成為一個先天不足、后天不良的不利因素。由于語音聽寫機(jī)沒有語言理解功能而只能定位在語音打字這樣的應(yīng)用市場上，但在用語音進(jìn)行“打字”時，用戶容易口干舌燥，內(nèi)容容易泄密，“打字聲”會影響周圍同事的工作。這第四個因素是一個只有負(fù)面效果的客觀因素，極大地限制了聽寫機(jī)的推廣。
但是，對技術(shù)研究人員來說，語音聽寫機(jī)作為連續(xù)語音識別先進(jìn)技術(shù)集成者的體現(xiàn)，從技術(shù)積累和探索的角度還是應(yīng)該進(jìn)行深入研究的，因?yàn)樗恼Z音識別核心技術(shù)從聲學(xué)角度講代表了語音識別的最高目標(biāo)，也是其他一些重要語音研究和應(yīng)用的基礎(chǔ)。
（3）說話水平評測。這類產(chǎn)品在很大程度上屬于多媒體教學(xué)軟件。從技術(shù)的角度上講，它包含結(jié)果已知的語音識別、語音確認(rèn)與拒識，以及百分制映射等三部分。該類產(chǎn)品下一步要攻克的問題，除了語音識別本身的問題外，還包括對說話韻律的判別及如何技術(shù)性地指明發(fā)音不準(zhǔn)的地方和如何改進(jìn)的方向。
仍須努力創(chuàng)新
語音識別雖然已經(jīng)有比較大的進(jìn)步，但必須有大的創(chuàng)新才可能有大的突破。主要包括以下幾個方面：
1．提高系統(tǒng)魯棒性和自適應(yīng)能力，包括語音特征提取、聲學(xué)模型、語言模型等諸多方面的魯棒性和自適應(yīng)等。
語音的特征提取和聲學(xué)模型對含噪語音、不同信道傳輸施加給語音的影響、不同發(fā)音人及其不同方式等要有魯棒性和自適應(yīng)能力；語言模型對各種不同的應(yīng)用領(lǐng)域要有魯棒性和自適應(yīng)能力。
2．在語音識別中使用語音學(xué)知識和語言學(xué)知識。語音模型的建立仍然是一個基本問題，但對什么樣的發(fā)音建什么樣的模型就不僅是數(shù)學(xué)建模的問題，還需把語音知識和語言知識結(jié)合起來，以高層知識作為建模和識別的引導(dǎo)。這些知識不管在聲學(xué)模型部分還是在語言模型部分都應(yīng)該盡可能應(yīng)用。
3．重視海量語音庫和語料庫的制作和標(biāo)注。語音庫用以訓(xùn)練語音模型，語料庫則用以訓(xùn)練統(tǒng)計語言模型，它們的制作和標(biāo)注有著舉足輕重的地位。一個海量的、科學(xué)標(biāo)注了的語音庫和語料庫對提高聲學(xué)模型和語言模型是非常重要的。
4．策略型和多模態(tài)方案。在目前的技術(shù)還不是特別成熟的前提下，可能需要綜合利用各種已有技術(shù)來提高系統(tǒng)的整體性能。比如充分利用各種可以利用的特征、集成各種識別性能互補(bǔ)的若干識別器、結(jié)合語音識別和手寫體文字識別，為用戶提供各種不同應(yīng)用的方案。這些都是有益的解決方案。
5．窄帶應(yīng)用和口語對話應(yīng)用。語音聽寫機(jī)之所以不能很好推廣，也許是因?yàn)槟壳坝胁簧俪錾臐h字輸入方法，如全拼、雙拼、五筆等。但是有些場合，如通過帶寬很窄的電話線對遠(yuǎn)程的數(shù)據(jù)庫進(jìn)行信息檢索和查詢（如天氣預(yù)報、旅游信息、股市行情、航班信息等）時，語音識別就會發(fā)揮很大的作用，從而會有很大的應(yīng)用前景。這是因?yàn)�，語音是非常自然的方式，而且由于電話上只有數(shù)字鍵，相對于用數(shù)字鍵進(jìn)行逐級的需求確認(rèn)來說，語音識別更具有競爭力。
在這種應(yīng)用中，需要解決的技術(shù)難點(diǎn)包括：（一）由于電話信道帶寬窄（只有3．4khz），語音信號的信息損失較大，電話機(jī)和信道質(zhì)量差異大，背景噪音和信道噪音種類繁多，因此必須有性能優(yōu)異的語音增強(qiáng)、特征提取、語音識別與理解等算法。（二）由于說話人的在查詢時使用的都是自然語言，因此必須研究口語現(xiàn)象。（三）必須研究語言理解技術(shù)。聽寫機(jī)只能解決語音到文本的轉(zhuǎn)換，卻不知其意；但口語對話系統(tǒng)必須有語言理解部分才能知道用戶的查詢需求，并有針對性地提供相應(yīng)的信息。
6．制定軟件開發(fā)工具（sdk）。為了推廣語音產(chǎn)品，制定方便中間開發(fā)人員使用sdk也非常重要。一些知名公司無不在此傾注力量，以期制定工業(yè)標(biāo)準(zhǔn)。如ibm的ibm
sdk、微軟的microsoft sapi、dragon公司的dragon sdk、以及l(fā)＆h公司的spark等都是用于開發(fā)語音產(chǎn)品的軟件開發(fā)工具。這也是國內(nèi)研發(fā)機(jī)構(gòu)需要學(xué)習(xí)和注意的地方。
得意音通公司供稿 原文《中國計算機(jī)報》，第91期，1999年12月6日
相關(guān)鏈接:
金堂县|
栖霞市|
望城县|
浏阳市|
广元市|
方正县|
卢氏县|
宜宾市|
玉树县|
民和|
南开区|
丰都县|
正阳县|
固镇县|
武宁县|
涿州市|
黔西县|
苍梧县|
阿图什市|
岱山县|
徐州市|
阳城县|
德保县|
泌阳县|
万全县|
贡觉县|
中牟县|
景宁|
历史|
平湖市|
昭通市|
建昌县|
陆丰市|
苍梧县|
大港区|
抚远县|
清远市|
开远市|
通化县|
葵青区|
疏附县|