语音识别的技术原理是什么

自动语音辨认技术（ASR，Automatic Speech Recognition）是一种经过让机器经过辨认和了解的过程，把人类的语音信号转变为相应文本的技术。我们先来看看语音辨认的历史

其实早在计算机创造之前，有关ASR技术的理念就曾经降生了，而早期的声码器就能够被视为是语音辨认及合成的雏形。而1920年代消费的"Radio Rex"玩具狗，可能是最早的语音辨认器，当这只狗的名字被召唤的时分，它可以从底座上弹出来。这么看来论辈分它是阿尔法狗的爷爷……

但毫无疑问60年代计算机的开展推进了语音辨认技术技术，这其中最重要的一个里程碑就是动态规划技术（DP）和线性预测剖析技术（LP），后者又开展出了更成熟的动态时间归正技术（DTW），包括矢量量化（VQ）和隐马尔可夫模型（HMM）理论。但这些还都只是单调又晦涩的算法，换句话说，工程师看到这些玩意也一头雾水，基本没方法疾速在应用到理论里。

所以在80年代时，著名的AT&T Bell实验室经过努力，把本来深奥无比的HMM纯数学模型工程化，为应用开发打下了重要的基石。到90年代时，深度神经网络技术的打破性开展，终于把语音辨认技术本来的难关攻破了。所以在我们会发现，从21世纪后语音辨认技术的开展就疾速加快了。

其实看起来高大上的语音辨认技术，原理并没有多么复杂。

不管是微软家的Cortana、三星家的S-voice苹果家的Siri，还是国内一些独立做语音辨认的比方讯飞、Rokid，在原理在实质上没有几差别：就是语音输入后，停止特征提取，将提取的特征值放进模型库里，再不时地停止锻炼和匹配，最终解码得到结果。

假如要细说的话就比拟复杂了，比方模型库中又分为声学模型和言语模型。其中言语模型是依据不同品种的言语，对词串停止统计建模，目前普遍采用的是基于(n-1)阶马尔可夫链统计的n元语法模型。

这里细致说下声学建模吧。首先经过前端特征提取取得声学特征，再进一步对声学特征停止统计建模。建模运用到的贝叶斯统计建模框架，也就是最大后验概率决策原则。这里算法这种深奥的东西就不说了，除非深度开发，否则直接套用就行了，我本人也是博古通今，还是念书的时分学的。

说说提取声学特征该如何完成：当语音输入之后，首先停止模电转换，将模仿信号转变为数字信号，再停止静音切除去掉无关噪音，然后停止分帧。将此时的信号分红一帧一帧之后（每一帧并不是独立存在的而是相互关联的），还要停止一系列的信号处置，包括预加重、加窗之后，再停止FFT变换之后，再经过Mel参数的滤波和取对数、离散余弦变换等一系列算法处置后，能够停止用梅尔频率倒谱系数（MFCC）停止特征提取，得到声学特征。

觉得越说越复杂了……后面简单点说吧。前面说了言语模型，而声学模型就是将声学特征统计建模后得到的。得到了模型库之后就能够停止模型锻炼和形式匹配了。

所谓模型锻炼就是指依照一定的原则，从大量已知语音形式中获取一个最具特征的模型参数。而形式匹配则相反，是依据一定原则，将未知语音形式与模型库中的某一个模型取得最佳匹配。

最后的解码过程又能够分红动态解码网络和静态解码网络两种：动态网络会编译一个状态网络并构成搜索空间，把单词转换成一个个的音素后将其依照语序拆分红状态序列，再依据音素上下文分歧性准绳将状态序列停止衔接。

而静态网络普通是针对一些特殊词（孤立词）的辨认网络，它的构造就简单多了：先将每条特殊词扩展成HMM状态序列，然后再计算得分，选择得分最大的作为辨认输出结果。由于静态网络是依据声学概率计算权重，不需求查询言语模型概率，因而解码速度很快。

这样的一个流程大致上就是语音辨认技术的主要原理。

最后再说点题外话吧，语音辨认技术其实应用以及很普遍了，比方在北美很多企业的电话自动效劳都会用到，只需用户直接说出想要的命令，就能够自动查询到需求的效劳，不需求像过去那样按键。手机应用里运用语音辨认技术比方微信的声音锁，讯飞、搜狗语音输入等等很多就不说了，而个人最看好的是声控语音拨号系统、家用机器人、智能家电等范畴，以语音交流的方式取代过去的传统人机互动。国内在这个范畴的语音辨认尝试也是相当多的，比方Rokid这样能够语音辨认命令还具有深度学习才能的家用机器人，能够自动播放视频、音乐，以至以后能够语音对话机器人叫个饿了么外卖，叫个滴滴出行等等。我今年夏天去参观过他们的语音辨认开发部门，他们用的是本人独立开发的一套流程在跑，整个语音模型库也是依据中国人发音习气（连读、口音）做的。当时测试的产品辨认度挺冷艳的，有种真正在人机交互的觉得，等于经过这个机器人接入口来控制其他电子产品，令人耳目一新。