語音識別是機器通過識別和理解過程把語音信號轉變為相應的文本文件或命令的高技術。作為專門的研究領域，語音識別又是一門交叉學科，它與聲學、語音學、語言學、數位訊號處理理論、資訊理論、計算機科學等眾多學科緊密相連。語音識別經過四十多年的發展，已經顯示出巨大的應用前景。本文從實現原理入手，介紹語音識別系統的實現方式。
本文引用地址：http://www.eepw.com.cn/article/201610/309216.htm概述
本漢語語音識別系統是一個非特定人的、孤立音語音識別系統。其中孤立音至少包括漢語的400多個調音節（不考慮聲調）以及一些常用的詞組。識別系統主要用於手持設備，如手機、掌上電腦。這些設備的CPU一般是DSP，硬體資源十分有限，而且大多不支持浮點運算。那麼，對系統各個部分的設計首要考慮的是系統對硬體資源的開銷必須儘量的小，不能超過這些設備的限制。硬體資源的開銷包括存儲模型參數的開銷，以及識別過程中對內存、DSP的運行時間的開銷。
2 實現流程
一般的語音處理流程圖如圖1所示。
圖1 語音識別系統的處理流圖
在語音識別系統中，模擬的語音信號在完成A/D轉換後成為數位訊號，但時域上的語音信號很難直接用於識別，因此需要從語音信號中提取語音的特徵，一方面可以獲得語音的本質特徵，另一方面也起到數據壓縮的作用。輸入的模擬語音信號首先要進行預處理，包括預濾波、採樣和量化、加窗、端點檢測、預加重等。語音識別系統的模型通常由聲學模型和語言模型兩部分組成，分別對應於語音到半音節概率的計算和半音節到字概率的計算。
3特徵提取
目前通用的特徵提取方法是基於語音幀的，即將語音信號分為有重疊的若干幀，對每一幀提取語音特徵。由於本技術方案採用的語音庫採樣率為8 kHz，因此採用幀長為256個採樣點（即32 ms），幀步長或幀移（即每一幀語音與上一幀語音不重疊的長度）為80個採樣點（即10 ms）。
現有語音識別系統採用的最主要的兩種語音特徵包括：
線性預測倒譜參數（Linear Prediction Cepstrum Coefficient，LPCC），該特徵是基於語音信號為自回歸信號的假設，利用線性預測分析獲得倒譜參數。LPCC參數的優點是計算量小，對元音有較好的描述能力，其缺點在於對輔音的描述能力較差，抗噪聲性能較差。
Mel 頻標倒譜參數（Mel Frequency Cepstrum Coefficient，MFCC），該特徵考慮了人耳的聽覺特性，將頻譜轉化為基於Mel頻標的非線性頻譜，然後轉換到倒譜域上。由於充分模擬了人的聽覺特性，而且沒有任何前提假設，MFCC參數具有識別性能和抗噪能力，實驗證明在漢語數碼語音識別中MFCC 參數的性能明顯優於LPCC參數，因此本技術方案採用MFCC參數為語音特徵參數。
求MFCC參數的大致過程為：
對輸入語音幀加Hamming窗後做快速傅立葉變換（Fast Fourier Transformation，FFT），將時域信號轉化為頻域信號。
將線性頻標轉化為Mel頻標。轉化方法是將頻域信號通過24個三角濾波器，其中中心頻率在1 000 Hz以上和以下的各12個。濾波器的中心頻率間隔特點是在1000Hz以下為線性分布，1 000 Hz以上為等比數列分布。三角濾波器的輸出為：
式中：Xk為頻譜上第k個頻譜點的能量；Yi為第i個濾波器的輸出；Fi為第i個濾波器的中心頻率。
用離散餘弦變換（Discrete Cosine Transformation，DCT）將濾波器輸出變換到倒譜域：
式中：p為MFCC參數的階數，這裡取p = 12。{Ck}k = 1,2,…,12即為所求的MFCC參數。
為體現語音的動態特性，在語音特徵中加入了一階差分倒譜，其計算方法如下式所示：
式中下標l與l - k表示第l與l - k幀；m表示第m維。
MFCC參數計算的要點是將線性功率譜S(n)轉換成為Mel頻率下的功率譜，這需要在計算之前先在語音的頻譜範圍內設置若干個帶通濾波器Hm(n),m= 0,1,2,…,M - 1,n = 0,1,2,…,N/2 - 1。M為濾波器個數，N為一幀語音信號的點數。每個濾波器具有三角形特性，其中心頻率為fm，它們在Mel頻率軸上是均勻分布的。在線性頻率上，當m 較小時相鄰的fm間隔很小，隨著m的增加相鄰的fm間隔逐漸拉開。Mel頻率和線性頻率的轉換關係如下：
這些帶通濾波器的參數是事先計算好的。圖2給出了濾波器組的分布圖，其中M 選擇為26，FFT點數N為256，語音信號的採樣頻率為8000 Hz。
圖2 利用人耳仿生學特性設計的Mel尺度濾波器組
4 測度估計
測度估計技術可以採用動態時間彎折DTW、隱馬爾可夫模型HMM或人工神經網ANN等算法，本項目採用國際上最先進的HMM，這樣能夠比較容易的實現非特定人，而且系統結構也比較靈活、一致。
根據描述的語音單位的大小，HMM可分為：基於整詞模型的HMM（Word based HMM）。其優點為可以很好地描述詞內音素協同發音的特點，建模過程也較為簡單。因此很多小詞彙量語音識別系統均採用整詞模型HMM。但在大詞彙量語音識別中由於所需建立的模型太多而無法使用。
基於子詞模型的HMM（Sub Word based HMM）。該類HMM描述的語音單位比詞小，如英語語音識別中的基本音素，漢語語音識別中的半音節等。其優點為模型總數少，所以在大詞彙量語音識別中得到了廣泛的應用。其缺點在於其描述詞內協同發音的能力劣於整詞模型，但由於子詞模型已經得到了非常充分的研究，所以近年來在很多小詞表應用識別系統中也用了子詞模型。本技術方案採用基於半音節（即聲、韻母）的語音建模方法，其識別模型拓撲結構如圖3 所示，其中靜音HMM採用1個狀態，每一聲母模型採用2個狀態，每一韻母模型採用4個狀態。
圖3 識別模型拓撲結構
根據輸出概率分布的不同，HMM（隱含馬爾科夫模型）可分為：
離散HMM（Discrete HMM，DHMM）。其輸出概率是基於一套碼本的離散概率分布，其優點在於由於實現了存儲量和計算量都較小，所需的訓練語音也較少，但其矢量量化的過程會造成性能的損失。
連續HMM（Continuous Density HMM，CDHMM）。其輸出概率是連續概率密度函數（一般是高斯混合密度函數）。其所需的訓練語音較多，模型參數存儲量和計算量都較大，在訓練語音足夠時，其性能優於DHMM。
半連續HMM（Semi Continuous HMM，SCHMM）。SCHMM是DHMM和CDHMM的折衷，與DHMM相似，其輸出為一套碼本，但每個碼字均為一個連續概率密度分布函數，這一點與CDHMM相近。其性能和所需的訓練語音等均介於DHMM和CDHMM之間。
考慮到漢語數碼語音所需的模型較少，很容易獲得足夠多的訓練語音，因此本技術方案採用了CDHMM為語音模型。
狀態輸出概率分布為混合高斯密度函數。其各分量計算如下：
總的概率輸出即為各分量的加權和：
式中：s表示當前狀態；M為混合分量數；u，Σ ，c分別為各混合分量的均值矢量、協方差矩陣和混合分量係數。
該算法利用Viterbi解碼的過程進行幀同步的搜索，易於實時實現，也容易納入語法信息。考慮到系統的實時實現性，本技術方案採用Viterbi解碼作為系統的搜索算法。
5 試驗結果
在漢語全音節與詞組混合的語音識別任務中，得到的初步實驗結果為：PC微機浮點算法條件下正確覆蓋率不低於98%，定點算法的正確覆蓋率不低於97%。DSP嵌入系統定點條件下正確覆蓋率不低於96%。系統的響應時間滿足實時識別的要求。通過測試組嚴格的檢查及抽樣測試，證明上述結果真實可靠，該輸入法基本達到實用化要求。
6 結語
語音漢字輸入技術的研發是具有重大經濟和社會意義的課題，該項目採用孤立語音的全音節和詞組的混合識別模式，使用連續概率分布非特定人的聲學模型，並輔以多候選的人機互動方式，較好地實現了在移動（可攜式）電子設備上資源有限的條件下方便快捷的漢字語音輸入。