首頁>>廠商>>語音識別與合成>>得意音通

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驗室主任。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)域的國家重點攻關(guān)項目和863高科技項目并多次獲獎。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。現(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。

　　在以計算機或類計算機為核心的電子產(chǎn)品時代，人機交互技術(shù)正成為各國研究的重點之一。

　　所謂人機交互技術(shù)，就是利用人類自身的語言、文字、圖像等進行人機之間通訊的技術(shù)統(tǒng)稱，人機自然語言（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智能是新一代計算機的重要特征，圍繞人機自然語言交互技術(shù)有關(guān)課題的研究是當(dāng)今計算機、人工智能和信號處理研究的前沿?zé)狳c課題，難度很大，既有很強的理論性又有很強的實驗性。

　　人機語音交互的關(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。漢語的人機交互技術(shù)因漢字的計算機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實驗室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方式通過關(guān)鍵詞檢出進行分流，每年為at＆t公司節(jié)省數(shù)億美元的接線員人工費。

　　（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，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”，以及我們實驗室的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的推廣。

　　但是，對技術(shù)研究人員來說，語音聽寫機作為連續(xù)語音識別先進技術(shù)集成者的體現(xiàn)，從技術(shù)積累和探索的角度還是應(yīng)該進行深入研究的，因為它所包含的語音識別核心技術(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。語音聽寫機之所以不能很好推廣，也許是因為目前有不少出色的漢字輸入方法，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程的數(shù)據(jù)庫進行信息檢索和查詢（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。這是因為，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、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《中國計算機報》，第91期，1999年12月6日


相關(guān)鏈接:
得意珠三角綜合智能信息增值平臺項目中標(biāo) 2009-08-20
北京軟件產(chǎn)品質(zhì)量檢測檢驗中心對《海量語音文件的目標(biāo)說話人篩選系統(tǒng)》進行測試 2009-06-25
廣東政府和清華大學(xué)舉行了全面開展產(chǎn)學(xué)研合作協(xié)議簽約儀式 2009-06-25
得意中文整句輸入法V1.0開源for Windows Mobile5.0 2009-01-23
得意聲紋識別VPR4.0_b20080808新版本發(fā)布 2008-08-27

分類信息:     技術(shù)_語音識別_文摘