语音识别研究
摘 要：语音识别技术是一门涉及面很广的交叉学科。随着新理论的提出和应用，语
音识别技术取得了很大的进步,许多产品已经得以实际的应用，但在其进一步的 发展 进
程中，还有许多棘手的问题有待解决。
关键词：语音识别；动态时间规整算法；人工神经元 网络
1 背景介绍
语言是人类特有的功能,是人们思维最重要的寄托体，是人类交流最主要的途径。语
音是语言的声学表现，是人类交流信息最 自然 、最有效、最方便的手段。语言和语音与
人类社会 科学 文化发展紧密相连。
语音识别技术是让机器接收，识别和理解语音信号，并将其转换成相应的数字信号的
技术。它是一门交叉学科，涉及到语音语言学、数理统计、 计算 机、信号处理等一系列
学科。
2 发展 历史
1952年贝尔实验室的 Davis等人研制成功了能识别十个 英文 数字发音的 Audry系
统，标志着语音识别技术研究工作开始。20世纪 60年代计提出了动态规划(Dynamic
programming)和线性预测分析技术（Liner Predictive）等重要成果。20世纪 70年代，
语音识别领域取得了突破。实现了基于线性预测倒谱和 DTW技术的特定人孤立语音识别系
统。20世纪 80年代语音识别研究进一步走向深入, 基于特定人孤立语音技术的系统研制
成功, 隐马尔可夫模型和人工神经元网络(Artificial Neural Network)在语音识别中的
成功应用。进入 20世纪 90年代后语音识别系统开始从实验室走向实用。我国对语音识别
的研究开始于 20世纪 80年代，近年来发展迅速，并取得了一系列的成果。
3 具体应用
随着计算机技术、模式识别等技术的发展，适应不同场合的语音识别系统相继被开发
出来，语音识别及处理技术已经越来越突现出其强大的技术优势。近三十年来，语音识别
在计算机、信息处理、通信与 电子 系统、自动控制等领域的应用越来越广泛。
在许多政府部门、商业机构，语音识别技术的应用，可免除大量操作人员的重复劳
动，既 经济 又方便。如：语音邮件、IP电话和 IP传真、电子商务、自动语音应答系
统、自动语音信箱、基于 IP的语音、数据、视频的 CTI系统、综合语音、数据服务系
统、自然语音识别系统、专家咨询信息服务系统、寻呼服务、故障服务、秘书服务、多媒
体综合信息服务、专业特别服务号(168自动信息服务系统，112、114、119等信息查询系
统)等。许多特定环境下，如 工业 控制方面，在一些工作环境恶劣、对人身有伤害的地
方(如地下、深水及辐射、高温等)或手工难以操作的地方，均可通过语音发出相应的控制
命令，让设备完成各种工作。
当今，语音识别产品不仅在人机交互中，占到的市场比例越来越大，而且在许多领域
都有了广阔的应用前景，在人们的社会生活中起着举足轻重的作用。
4 语音识别系统原理
语音识别一般分为两个步骤：学习阶段和识别阶段。学习阶段的任务是建立识别基本
单元的声学模型以及语言模型。识别阶段是将输入的目标语音的特征参数和模型进行比
较，得到识别结果。
语音识别过程如图所示。下面对该流程作简单介绍：
（1）语音采集设备如话筒、电话等将语音转换成模拟信号。
（2）数字化一般包括预滤波、采样和 A/D变换。该过程将模拟信号转变成计算机能
处理的数字信号。
（3）预处理一般包括预加重、加窗分帧。经预处理后的信号被转换成了帧序列的加
窗的短时信号。
（4）参数分析是对短时信号进行分析，提取语音特征参数的过程，如时域、频域分
析，矢量量化等。
（5）语音识别是目标语音根据特征参数与模型库中的参数进行匹配，产生识别结果
的过程。一般有模板匹配法、随机模型法和神经网络等。
（6）应用程序根据识别结果产程预定动作。
（7）该过程是语音模型的学习过程。
5 现有算法介绍
语音识别常用的方法有：模板匹配法、人工神经 网络 法。
（1）模板匹配法是语音识别中常用的一种相似度 计算 方法。模板匹配法一般将语
音或单词作为识别单元，一般适用于词汇表较小的场合。在训练阶段，对用户语音进行特
征提取和特征维数的压缩，这个过程常用的方法是采用矢量量化（VQ）技术。然后采用聚
类方法或其他方法，针对每个模式类各产生一个或几个模板。识别阶段将待识别的语音模
式的特征参数与各模板进行相似度的计算，将最高相似者作为识别结果。但由于用户在不
同时刻发同一个音的时间长度有较大随意性，所以识别时必须对语音时间进行伸缩处理。
研究表明，简单的线性伸缩是不能满足要求的。由日本学者板仓在 70年代提出的动态时
间伸缩算法（DTW）很好的解决了这一问题。DTW算法能够较好地解决小词汇量、孤立词识
别时说话速度不均匀的难题。DTW算法示意图如图所示。
设测试的语音参数共有 M帧矢量，而 参考 模板有 N帧矢量，且 M≠N，则 DTW 就是
寻找一个时间归整函数 tn=f(tm)，它将测试矢量的时间轴 tm非线性地映射到模板的时间
轴 tn上，并使该函数满足第 k帧（k=1，2，…M）测试矢量 I和第 f(k)帧（f(k)
=1,2…N）模板矢量 J之间的距离测度之和最小:
另外，在实际识别系统中，语音的起点或终点由摩擦音构成，环境噪声也比较大，语
音的端点检测会存在较大的误差。DTW 算法起点点可以固定在(tm,tn)=(1，1)，称为固定
起点；也可以选择在(1，2)、(2，1)等点，称为松驰起点。同样，中止点可以选择在
(M,N)点，称为固定终点；也可以选择在(N一 1,M)、(N，M一 1)等点，称为松弛终点。松
弛的 DTW 算法的起始点从(1，1)、(1，2)、(2，1)等点中选择一最小值，终止点从
(M,N)、(M,N-1)、(M-1,N)等点中选择一最小值，两语音样本之间的相互距离在相应的点
放松后选择一最小距离。松弛 DTW可以克服由于端点检测不精确引起的误差，但运算量加
大。
（2）人工神经网络法。现实世界的语音信号会随着许多特征如：说话人语速、语调
以及环境的变化而动态变化的，想要用传统的基于模板的方法建立一个适应动态变化的语
音识别系统是非常困难的。因此需要设计一个带有自学习能力的自适应识别系统，以便可
以适应语音的动态变化。
人工神经网络由神经元、网络拓朴和学习方法构成。人工神经网络拓朴结构可分为反
馈型和非反馈型（前馈型）。学习方法可分为监督型和非监督型。各种人工神经网络模型
中应用得最典型的是采用反向传播（Back Propagation）学习算法的多层前馈网络。多层
前馈型网络如图所示。
除上述介绍的几种常用的方法外，还有许多其它的识别方法以及改进算法。
6 尚未解决的问题及值得研究的方向
（1）就算法模型方面而言，需要有进一步的突破。声学模型和语言模型是听写识别
的基础。目前使用的语言模型只是一种概率模型，还没有用到以语言学为基础的文法模
型，而要使计算机确实理解人类的语言，就必须在这一点上取得进展。
（2）语音识别的自适应性也有待进一步改进。同一个音节或单词的语音不仅对随着
的讲话者的不同而变化,而且对同一个讲话者在不同场合,不同上下文环境中也会发生变
化。这意味着对语言模型的进一步改进。
（3）语音识别技术还需要能排除各种环境因素的影响。目前，对语音识别效果影响
最大的就是环境杂音或噪音。要在嘈杂环境中使用语音识别技术必须有特殊的抗噪麦克风
才能进行，这对多数用户来说是不现实的。在公共场合中，如何让语音识别技术能有摒弃
环境嗓音并从中获取所需要的特定声音是一个艰巨的任务。
虽然在短期内还不可能造出具有和人相比拟的语音识别系统，但在未来几年内，语音
识别系统的应用将更加广泛，各种语音识别系统产品将陆续进入我们的生活。语音识别各
个方面的技术正在不断地进步，一步步朝着更加智能化的方向 发展 。
参考 文献
［1］杨尚国，杨金龙.语音识别技术概述［J］.福建电脑，2006，（8）.
［2］孙宁,孙劲光,孙宇. 基于神经网络的语音识别技术研究［J］. 计算机与数字
工程，2006.
［3］Phil Woodland. Speech Recognition. Speech and Language Engineering-
State of the Art (Ref. No. 1998/499).
［4］Morgan, N.. Bourlard, networks for statistical
recognition of continuous speech. Proceedings of the IEEE Volume 83,Issue
5,May 1995 Page(s):742-772.
