從前年開始，海外谷歌、亞馬遜、蘋果、微軟、三星，國內阿里、小米、京東等都已先后涉足智能音箱這一領域。隨著其快速發展，作為核心技術之一的語音識別技術也逐步進入人們的視線，本篇我們就來談談語音識別技術。

語音識別技術簡介

語音識別，也被稱為自動語音識別（Automatic Speech Recognition，ASR）技術，就是讓機器通過識別和理解過程把語音信號轉變為相應的文本或命令的高技術，也就是讓機器聽懂人類的語音。

所謂聽懂，有兩層意思，一是指把用戶所說的話逐詞逐句轉換成文本；二是指正確理解語音中所包含的要求，作出正確的應答。

語音識別技術目前在桌面系統、智能手機、導航設備等嵌入式領域均有一定程度的應用。

語音識別系統及過程

不同的語音識別系統，雖然具體實現細節有所不同，但所采用的基本技術相似，一個典型語音識別系統的實現過程如下圖所示。

語音識別的基本過程有兩個部分組成。一是學習和訓練，二是識別過程。

訓練（Training）：預先分析出語音特征參數，制作語音模板（Template）并存放在語音參數庫中。

識別（Recognition）：待識語音經過與訓練時相同的分析，得到語音參數，將它與庫中的參考模板一一比較，并采用判決的方法找出最接近語音特征的模板，得出識別效果。

語音識別系統的分類

（1）根據對說話人說話方式的要求，可以分為孤立字（詞）語音識別系統，連接字語音識別系統以及連續語音識別系統。

孤立單詞識別（Isolated Word Recognition）：識別的單元為字、詞或短語，它們組成識別的詞匯表（Vocabulary），對它們中的每一個通過訓練建立模板或模型。

連續單詞識別（Connected Word Recognition）：以比較少的詞匯為對象，能夠完全識別每個詞。識別的詞匯表和標準樣板或模型也是字、詞或短語，但識別時可以是它們中間幾個的連續。

連續語音識別（Continuous Speech Recognition）：以多數詞匯為對象，待識語音是一些完整的句子。雖不能完全準確識別每個單詞，但能夠理解其意義，連續語音識別也叫會話語音識別。可理解為在語音識別之后，根據語言學知識來推斷語音的含義內容。

（2）根據對說話人的依賴程度可以分為特定人和非特定人語音識別系統。

特定人語音識別（Speaker-Dependent）：語音識別的標準模板或模型只適應于某個人。實際上，該模板或模型就是該人通過輸入詞匯表中的每個字、詞或短語的語音建立起來的。其他人使用時，需同樣建立自己的標準模板或模型。

非特定人語音識別（Speaker-Independent）：語音識別的標準模板或模型適應于指定的某一范疇的說話人（比如標準普通話），標準模板或模型由該范疇的多個人通過訓練而產生。識別時可供參加訓練的發音人使用，也可供未參加訓練的同一范疇的發音人使用。

（3）根據詞匯量大小，可以分為有限詞匯以及無限詞匯量語音識別系統。

有限詞匯識別：按詞匯表中字、詞或短句個數的多少，大致分為:100以下小詞匯量；100-1000中等詞匯量；1000以上為大詞匯量。

無限詞匯識別（全音節識別）：當識別基元為漢語普通話中對應所有漢字的可讀音節時，稱其為全音節語音識別，是實現無線詞匯或中文文本輸入的基礎。

語音識別技術的“前世今生”

下面我們來看看語音識別技術的“前世今生”：

（1）起始階段

1952年AT& T Bell實驗室實現了一個單一發音人孤立發音的十個英文數字的語音識別系統，方法主要是度量每個數字的元音音段的共振峰。

1960年英國的Denes等人研究成功了第一個計算機語音識別系統。在此期間，提出的一些思想沿用至今。

理論：模式識別思想、動態規劃算法、時間規劃算法、動態因素跟蹤法。

（2）快速發展階段

70年代孤立詞發音和孤立語句發音的識別成為了可行的有用技術，大規模的語音識別研究在這個時期得到很大的發展。

80年代研究的重點轉向了詞匯量的積累，以及連續的語音識別，也就是從傳統的基于標準模板匹配的技術思路轉變基于統計模型的技術思路。此外，再次提出了將神經網絡技術引入語音識別的技術思路。

理論：聲學模型—隱馬爾科夫模型（Hidden Markov Model，HMM）

語言模型—N-gram模型

（3）應用開發

90年代，語音識別研究的重點轉向自然語言的識別處理，任務轉移到航空旅行信息的索取。同時，語音識別技術不斷應用于電話網絡，增強話務員服務和自動化。

2000年以來，人機語音交互成為研究的焦點。研究重點包括即興口語的識別和理解，自然口語對話，以及多語種的語音同聲翻譯。

理論：聲學模型—隱馬爾科夫模型—深度神經網絡（Deep Neural Network，DNN）

語言模型—N-gram模型—反饋神經網絡（Feedback Neural Network，FNN）

語音識別領域公司

科大訊飛，騰訊，百度，蘇州思必馳，捷通華聲，云知聲等等。

結語

隨著語音識別技術的不斷發展，無論是Siri、Echo，還是其他的智能語音助手都可以接觸和管理消息、郵件和日程帳號，還能控制聯網家居，播放音樂，甚至完成網絡搜索或者更多的事情。而我們，只需滿懷期待。