人工智能实战热门应用之一:语音处理

语音处理(speech signal processing)用以研究语音发声过程、语音信号的统计特性、语音的自动识别、机器合成以及语音感知等各种处理技术的总称。由于现代的进音处理技术都以数字计算为基础,并借助微处理器、信号处理器或通用计算机加以实现,因此也称数字语音信号处理。

中文名

语音处理

外文名

speech signal processing

应用学科

通信

目录

定义

语音理解

语音识别

定义

语音信号处理的研究起源于对发音器官的模拟。1939年美国H.杜德莱(H.Dudley)展出了一个简单的发音过程模拟系统,以后发展为声道的数字模型。利用该模型可以对语音信号进行各种频谱及参数的分析,进行通信编码或数据压缩的研究,同时也可根据分析获得的频谱特征或参数变化规律,合成语音信号,实现机器的语音合成。利用语音分析技术,还可以实现对语音的自动识别,发音人的自动辨识,如果与人工智能技术结合,还可以实现各种语句的自动识别以至语言的自动理解,从而实现人机语音交互应答系统,真正赋予计算机以听觉的功能。

语言信息主要包含在语音信号的参数之中,因此准确而迅速地提取语言信号的参数是进行语音信号处理的关键。常用的语音信号参数有:共振峰幅度、频率与带宽、音调和噪音、噪音的判别等。后来又提出了线性预测系数、声道反射系数和倒谱参数等参数。这些参数仅仅反映了发音过程中的一些平均特性,而实际语言的发音变化相当迅速,需要用非平稳随机过程来描述,因此,20世纪80年代之后,研究语音信号非平稳参数分析方法迅速发展,人们提出了一整套快速的算法,还有利用优化规律实现以合成信号统计分析参数的新算法,取得了很好的效果。

当语音处理向实用化发展时,人们发现许多算法的抗环境干扰能力较差。因此,在噪声环境下保持语音信号处理能力成为了一个重要课题。这促进了语音增强的研究。一些具有抗干扰性的算法相继出现。当前,语音信号处理日益同智能计算技术和智能机器人的研究紧密结合,成为智能信息技术中的一个重要分支。

语音信号处理是一门多学科的综合技术。它以生理、心理、语言以及声学等基本实验为基础,以信息论、控制论、系统论的理论作指导,通过应用信号处理、统计分析、模式识别等现代技术手段,发展成为新的学科。1965年出版的《语音的分析、合成与感知(J.L.Flanagan著),1976年出版的《语音信号线性预测》(J.Q.Makoul与A.H.Gray著),以及1978年出版的《语音信号数字处理R.Rabiner和R.W.Shafer著)等教材比较全面地反映了这门学科的一些基本理论、 方法及成果。我国学者吴宗济、林茂灿主编的《实验语音学概要》,从语音产生的物理基础、生理基础、语音知觉的心理基础以及元音、辅音和声调特征等方面,给出了较详细的实验研究方法和数据。80年代后期开始对听觉器官耳蜗的研究,为研究非线性语音处理方法提供了可供借鉴的依据。高速信号处理器的迅速发展,神经网络模拟芯片的研究成功,为实现实时语音处理系统创造了物质条件,使大批语音处理技术实际应用于生产、国防等许多部门。

语音信号处理在通信、国防等部门中有着广阔的应用领域。为了改善通信中语言信号的质量而研究的各种频响修正和补偿技术,为了提髙效率而研究的数据编码压缩技术,以及为了改善通信条件而研究的噪声抵消及干扰抑制技术,都与语音处理密切相关。在国防通信及指挥部门中,应用语音处理,可以实现在各种不同通信条件下的话带保密通信,计算机网络中的话音和数据综合通信,在强噪声环境(例如,髙性能战斗机,直升机环境和战场指挥所等)中使用的语音识别装置,克服强干扰影响语音降质的噪声消除装置,说话人识别与说话人证实,以及各种先进空中交通控制用的交互式语音识别/合成接口等等,都是现代指挥自动化的重要组成部分。在金融部门应用语音处理,开始利用说话人识别和语音识别实现根据用户语音自动存款、取款的业务。在仪器仪表和控制自动化生产中,利用语音合成读出测量数据和故障警告。随着语音处理技术的发展,可以预期它将在更多部门得到应用。

尽管语音处理的研究已经经历了将近50年的历史,取得了许多成果,但是还面临着一系列理论和方法上的实际问题。例如在编码技术方面,中速编码已经可以提供满意的通信音质,那么低速编码是否也能突破低通信音质的局限,达到电话音质的要求?在识别方面,连续语音的分割,大词量语音的识别和识别任何人的语音等方面尚无可靠的办法。在语音理解方面,关于语义信息的定性描述和定量估计,都还没有统一的计算方法等,这些都是今后研究的重要方向。

图1 语音识别技术原理图

语音理解

语音理解(speech understanding) 利用知识表达和组织等人工智能技术进行语句自动识别和语意理解。同语音识别的主要不同点是对语法和语义知识的充分利用程度。

语音理解起源于美国,1971年,美国远景研究计划局(ARPA)资助了一个庞大的研究项目,该项目要达到的目标叫做语音理解系统。由于人对语音有广泛的知识,可以对要说的话有一定的预见性,所以人对语音具有感知和分析能力。依靠人对语言和谈论的内容所具有的广泛知识,利用知识提高计算机理解语言的能力,就是语音理解研究的核心。

利用理解能力,可以使系统提高性能:①能排除噪声和嘈杂声;②能理解上下文的意思并能用它来纠正错误,澄清不确定的语义;③能够处理不合语法或不完整的语句。因此,研究语音理解的目的,可以说是与其研究系统仔细地去识别每一个单词,倒不如去研究系统能抓住说话的要旨更为有效。

一个语音理解系统除了包括原语音识别所要求的 部分之外,还须添入知识处理部分。知识处理包括知识的自动收集、知识库的形成,知识的推理与检验等。当然还希望能有自动地作知识修正的能力。因此语音理解可以认为是信号处理与知识处理结合的产物。语音知识包括音位知识、音变知识、韵律知识、词法知识、句法知识,语义知识以及语用知识。这些知识涉及实验语音学、汉语语法、自然语言理解、以及知识搜索等许多交叉学科。

初步研制成功的语音理解系统称为HEARSAY系统。它是利用一种公用“黑板"作为知识库,环绕此黑板的是一系列专家系统,分别提取及搜索有关音位、音变……等各种知识。以后能进一步达到预计目标的系统是HARPY系统,该系统用语言的有限状态模型,通过唯一的一个统一的网络把彼此分离的各种知识源集中起来,这个统一的网络,称为知识编译器。不同理解系统在利用知识的策略或组织方面各有不同的特点。

完善的语音理解系统是人们梦寐以求的研究理想,但这并非短期内能够完全解决的研究课题。然而面向确定任务的语音理解系统,例如只涉及有限的词汇量,有一般比较通用的说话句型的语音理解系统,以及可供一定范围的工作人员使用的语音理解系统,是可以实现的。因此,它对某些自动化应用领域已有实用价值,例如飞机票预售系统、银行业务、旅馆业务的登记及询问系统等。

语音识别

语音识别(speech recognition) 利用计算机自动对语音信号的音素、音节或词进行识别的技术总称。语音识别是实现语音自动控制的基础。

语音识别起源于20世纪50年代的“口授打字机”梦想,科学家在掌握了元音的共振峰变迁问题和辅音的声学特性之后,相信从语音到文字的过程是可以用机器实现的,即可以把普通的读音转换成书写的文字。语音识别的理论研究已经有40多年,但是转入实际应用却是在数字技术、集成电路技术发展之后,现在已经取得了许多实用的成果。

语音识别一般要经过以下几个步骤:①语音预处理,,包括对语音的幅度标称化、频响校正、分帧、加窗和始末端点检测等内容。②语音声学参数分析,包括对语音共振峰频率、幅度等参数,以及对语音的线性预测参数、倒谱参数等的分析。③参数标称化,主要是时间轴上的标称化,常用的方法有动态时间规整(DTW),或动态规划方法(DP)。④模式匹配,可以采用距离准则或概率规则,也可以采用句法分类等。⑤识别判决,通过最后的判别函数给出识别的结果。

语音识别可按不同的识别内容进行分类:有音素识别、音节识别、词或词组识别;也可以按词汇量分类:有小词汇量(50个词以下)、中词量(50~500个词)、大词量(500个词以上)及超大词量(几十至几万个词)。按照发音特点分类:可以分为孤立音、连接音及连续音的识别。按照对发音人的要求分类:有认人识别,即只对特定的发话人识别,和不认人识别,即不分发话人是谁都能识别。显然,最困难的语音识别是大词量、连续音和不识人同时满足的语音识别。

推荐阅读更多精彩内容