人工智能-語音識(shí)別技術(shù)

1、人工智能 語音識(shí)別技術(shù)什么是語音識(shí)別技術(shù)？ 與機(jī)器進(jìn)行語音交流，讓機(jī)器明白你說什么，這是人們長(zhǎng)期以來夢(mèng)寐以求的事情。語音識(shí)別技術(shù)就是讓機(jī)器通過識(shí)別和理解過程把語音信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的高技術(shù)。語音識(shí)別技術(shù)主要包括特征提取技術(shù)、模式匹配準(zhǔn)則及模型訓(xùn)練技術(shù)三個(gè)方面。語音識(shí)別技術(shù)車聯(lián)網(wǎng)也得到了充分的引用，例如在翼卡車聯(lián)網(wǎng)中，只需按一鍵通客服人員口述即可設(shè)置目的地直接導(dǎo)航，安全、便捷。兩款語音機(jī)器人：SiriCortana語音識(shí)別的實(shí)現(xiàn)（1） 首先，我們知道聲音實(shí)際上是一種波。常見的mp3、wmv等格式都是壓縮格式，必須轉(zhuǎn)成非壓縮的純波形文件來處理，比如Windows PCM文件，也就是俗稱的w

2、av文件。wav文件里存儲(chǔ)的除了一個(gè)文件頭以外，就是聲音波形的一個(gè)個(gè)點(diǎn)了。下圖是一個(gè)波形的示例。語音識(shí)別的實(shí)現(xiàn)（2） 在開始語音識(shí)別之前，有時(shí)需要把首尾端的靜音切除，降低對(duì)后續(xù)步驟造成的干擾。這個(gè)靜音切除的操作一般稱為VAD，需要用到信號(hào)處理的一些技術(shù)。要對(duì)聲音進(jìn)行分析，需要對(duì)聲音分幀，也就是把聲音切開成一小段一小段，每小段稱為一幀。分幀操作一般不是簡(jiǎn)單的切開，而是使用移動(dòng)窗函數(shù)來實(shí)現(xiàn)，這里不詳述。幀與幀之間一般是有交疊的，就像下圖這樣：語音識(shí)別的實(shí)現(xiàn)（3） 圖中，每幀的長(zhǎng)度為25毫秒，每?jī)蓭g有25-10=15毫秒的交疊。我們稱為以幀長(zhǎng)25ms、幀移10ms分幀。 分幀后，語音就變成了很多

3、小段。但波形在時(shí)域上幾乎沒有描述能力，因此必須將波形作變換。常見的一種變換方法是提取MFCC特征，根據(jù)人耳的生理特性，把每一幀波形變成一個(gè)多維向量，可以簡(jiǎn)單地理解為這個(gè)向量包含了這幀語音的內(nèi)容信息。這個(gè)過程叫做聲學(xué)特征提取。實(shí)際應(yīng)用中，這一步有很多細(xì)節(jié)，聲學(xué)特征也不止有MFCC這一種，具體這里不講。 至此，聲音就成了一個(gè)12行（假設(shè)聲學(xué)特征是12維）、N列的一個(gè)矩陣，稱之為觀察序列，這里N為總幀數(shù)。觀察序列如下圖所示，圖中，每一幀都用一個(gè)12維的向量表示，色塊的顏色深淺表示向量值的大小。語音識(shí)別的實(shí)現(xiàn)（4） 接下來就要介紹怎樣把這個(gè)矩陣變成文本了。首先要介紹兩個(gè)概念： 音素：?jiǎn)卧~的發(fā)音由音素構(gòu)

4、成。對(duì)英語，一種常用的音素集是卡內(nèi)基梅隆大學(xué)的一套由39個(gè)音素構(gòu)成的音素集，參見The CMU Pronouncing Dictionary。漢語一般直接用全部聲母和韻母作為音素集，另外漢語識(shí)別還分有調(diào)無調(diào)，不詳述。 狀態(tài)：這里理解成比音素更細(xì)致的語音單位就行啦。通常把一個(gè)音素劃分成3個(gè)狀態(tài)。 語音識(shí)別是怎么工作的呢？實(shí)際上一點(diǎn)都不神秘，無非是： 第一步，把幀識(shí)別成狀態(tài)（難點(diǎn)）； 第二步，把狀態(tài)組合成音素； 第三步，把音素組合成單詞。語音識(shí)別的實(shí)現(xiàn)（5） 圖中，每個(gè)小豎條代表一幀，若干幀語音對(duì)應(yīng)一個(gè)狀態(tài)，每三個(gè)狀態(tài)組合成一個(gè)音素，若干個(gè)音素組合成一個(gè)單詞。也就是說，只要知道每幀語音對(duì)應(yīng)哪個(gè)狀態(tài)

5、了，語音識(shí)別的結(jié)果也就出來了。圖中，每個(gè)小豎條代表一幀，若干幀語音對(duì)應(yīng)一個(gè)狀態(tài)，每三個(gè)狀態(tài)組合成一個(gè)音素，若干個(gè)音素組合成一個(gè)單詞。也就是說，只要知道每幀語音對(duì)應(yīng)哪個(gè)狀態(tài)了，語音識(shí)別的結(jié)果也就出來了。 那每幀音素對(duì)應(yīng)哪個(gè)狀態(tài)呢？有個(gè)容易想到的辦法，看某幀對(duì)應(yīng)哪個(gè)狀態(tài)的概率最大，那這幀就屬于哪個(gè)狀態(tài)。比如下面的示意圖，這幀對(duì)應(yīng)S3狀態(tài)的概率最大，因此就讓這幀屬于S3狀態(tài)。語音識(shí)別的實(shí)現(xiàn)（6） 那這些用到的概率從哪里讀取呢？有個(gè)叫“聲學(xué)模型聲學(xué)模型”的東西，里面存了一大堆參數(shù)，通過這些參數(shù)，就可以知道幀和狀態(tài)對(duì)應(yīng)的概率。獲取這一大堆參數(shù)的方法叫做“訓(xùn)練”，需要使用巨大數(shù)量的語音數(shù)據(jù)，訓(xùn)練的方法比較

6、繁瑣，這里不講。 但這樣做有一個(gè)問題：每一幀都會(huì)得到一個(gè)狀態(tài)號(hào)，最后整個(gè)語音就會(huì)得到一堆亂七八糟的狀態(tài)號(hào)，相鄰兩幀間的狀態(tài)號(hào)基本都不相同。假設(shè)語音有1000幀，每幀對(duì)應(yīng)1個(gè)狀態(tài)，每3個(gè)狀態(tài)組合成一個(gè)音素，那么大概會(huì)組合成300個(gè)音素，但這段語音其實(shí)根本沒有這么多音素。如果真這么做，得到的狀態(tài)號(hào)可能根本無法組合成音素。實(shí)際上，相鄰幀的狀態(tài)應(yīng)該大多數(shù)都是相同的才合理，因?yàn)槊繋芏獭?解決這個(gè)問題的常用方法就是使用隱馬爾可夫模型（Hidden Markov Model，HMM）。這東西聽起來好像很高深的樣子，實(shí)際上用起來很簡(jiǎn)單： 第一步，構(gòu)建一個(gè)狀態(tài)網(wǎng)絡(luò)。 第二步，從狀態(tài)網(wǎng)絡(luò)中尋找與聲音最匹配的路徑

7、。 這樣就把結(jié)果限制在預(yù)先設(shè)定的網(wǎng)絡(luò)中，避免了剛才說到的問題，當(dāng)然也帶來一個(gè)局限，比如你設(shè)定的網(wǎng)絡(luò)里只包含了“今天晴天”和“今天下雨”兩個(gè)句子的狀態(tài)路徑，那么不管說些什么，識(shí)別出的結(jié)果必然是這兩個(gè)句子中的一句。語音識(shí)別的實(shí)現(xiàn)（7） 那如果想識(shí)別任意文本呢？把這個(gè)網(wǎng)絡(luò)搭得足夠大，包含任意文本的路徑就可以了。但這個(gè)網(wǎng)絡(luò)越大，想要達(dá)到比較好的識(shí)別準(zhǔn)確率就越難。所以要根據(jù)實(shí)際任務(wù)的需求，合理選擇網(wǎng)絡(luò)大小和結(jié)構(gòu)。 搭建狀態(tài)網(wǎng)絡(luò)，是由單詞級(jí)網(wǎng)絡(luò)展開成音素網(wǎng)絡(luò)，再展開成狀態(tài)網(wǎng)絡(luò)。語音識(shí)別過程其實(shí)就是在狀態(tài)網(wǎng)絡(luò)中搜索一條最佳路徑，語音對(duì)應(yīng)這條路徑的概率最大，這稱之為“解碼”。路徑搜索的算法是一種動(dòng)態(tài)規(guī)劃剪枝的

8、算法，稱之為Viterbi算法，用于尋找全局最優(yōu)路徑。語音識(shí)別的實(shí)現(xiàn)（8） 這里所說的累積概率，由三部分構(gòu)成，分別是： 觀察概率：每幀和每個(gè)狀態(tài)對(duì)應(yīng)的概率 轉(zhuǎn)移概率：每個(gè)狀態(tài)轉(zhuǎn)移到自身或轉(zhuǎn)移到下個(gè)狀態(tài)的概率 語言概率：根據(jù)語言統(tǒng)計(jì)規(guī)律得到的概率 其中，前兩種概率從聲學(xué)模型中獲取，最后一種概率從語言模型中獲取。語言模型是使用大量的文本訓(xùn)練出來的，可以利用某門語言本身的統(tǒng)計(jì)規(guī)律來幫助提升識(shí)別正確率。語言模型很重要，如果不使用語言模型，當(dāng)狀態(tài)網(wǎng)絡(luò)較大時(shí)，識(shí)別出的結(jié)果基本是一團(tuán)亂麻。聲學(xué)模型 聲學(xué)模型是把語音轉(zhuǎn)化為聲學(xué)表示的輸出，即找到給定的語音源于某個(gè)聲學(xué)符號(hào)的概率。對(duì)于聲學(xué)符號(hào)，最直接的表達(dá)方式是

9、詞組，但是在訓(xùn)練數(shù)據(jù)量不充分的情況下，很難得到一個(gè)好的模型。詞組是由多個(gè)音素的連續(xù)發(fā)音構(gòu)成，另外，音素不但有清晰的定義而且數(shù)量有限。因而，在語音識(shí)別中，通常把聲學(xué)模型轉(zhuǎn)換成了一個(gè)語音序列到發(fā)音序列（音素）的模型和一個(gè)發(fā)音序列到輸出文字序列的字典。 需要注意的是，由于人類發(fā)聲器官運(yùn)動(dòng)的連續(xù)性，以及某些語言中特定的拼讀習(xí)慣，會(huì)導(dǎo)致音素的發(fā)音受到前后音素的影響。為了對(duì)不同語境的音素加以區(qū)分，通常使用能夠考慮前后各一個(gè)音素的三音子作為建模單元。 另外，在聲學(xué)模型中，可以把三音子分解為更小的顆粒狀態(tài)，通常一個(gè)三音子對(duì)應(yīng)3個(gè)狀態(tài)，但是這會(huì)引起建模參數(shù)的指數(shù)增長(zhǎng)，常用的解決方案是使用決策樹先對(duì)這些三音子模型

10、進(jìn)行聚類，然后使用聚類的結(jié)果作為分類目標(biāo)。 最常用的聲學(xué)建模方式是隱馬爾科夫模型隱馬爾科夫模型（HMM）。在HMM下，狀態(tài)是隱變量，語音是觀測(cè)值，狀態(tài)之間的跳轉(zhuǎn)符合馬爾科夫假設(shè)。其中，狀態(tài)轉(zhuǎn)移概率密度多采用幾何分布建模，而擬合隱變量到觀測(cè)值的觀測(cè)概率的模型常用高斯混合模型（GMM）。傳統(tǒng)模型GMM-HMM的算法語音識(shí)別過程語音識(shí)別過程就是輸入一段語音信號(hào)，找到一串文字（字或詞）序列的過程，語音輸入O=o1,o2,o3,.,ot對(duì)應(yīng)的標(biāo)注W=w1,w2,w3,.,wn這個(gè)過程一般用概率來表示，用O表示語音信號(hào)，用W表示文字序列，則是要解決下面這個(gè)問題：由貝葉斯公式展開，可得由于P(O|W)P(W) /P(O)是對(duì)每個(gè)句子進(jìn)行計(jì)算的，而對(duì)每個(gè)句子來說P(O) 是