最新语音识别技术与声纹鉴定原理幻灯片资料.ppt

Voice Recognition;人机交互方式;应用领域; ; 语音搜索早先的模式是我们可以通过打电话的方式查一些专项的资讯，比如天气预报或者打12315。随着服务的延伸呢，很多的企业都尽力了自己的客户专线，实际上这个时候语音信息的服务就由企业为他的用户提供，主要是产品或者服务的资讯或者售后服务。常见的有Apple的Siri和Google的Google Now。; 生活中，时常听到很熟悉的旋律，却想不出歌曲的名字。这个时候我们就可以直接利用语音识别功能来查找相关歌曲，常见的有微信摇一摇搜歌，以及其他音乐播放软件的搜索功能。; 由于在汽车的行驶过程中，驾驶员的手必须放在方向盘上，因此在汽车上拨打电话，需要使用具有语音拨号功能的免提电话通信方式。此外，对汽车的卫星导航定位系统（GPS）的操作，汽车空调、照明以及音响等设备的操作，同样也可以由语音来方便的控制。 ; 用语音可以控制电视机、DVD、空调、电扇、窗帘的操作，而且一个遥控器就可以把家中的电器皆用语音控起来，这样，可以让令人头疼的各种电器的操作变得简单易行。; 随着互联网的快速发展，以及手机等移动终端的普及应用，目前可以从多个渠道获取大量文本或语音方面的语料，这为语音识别中的语言模型和声学模型的训练提供了丰富的资源，使得构建通用大规模语言模型和声学模型成为可能。; 目前，国外的应用一直以苹果的Siri、谷歌的Google Now为代表。 国内方面，科大讯飞、云知声、盛大、捷通华声、搜狗语音助手、紫冬口译、百度语音等系统都采用了最新的语音识别技术，市面上其他相关的产品也直接或间接嵌入了类似的技术。;发展前景;发展前景;Video Display;主要问题;主要问题;语音识别;10.1 概述; 语音识别系统分为两个方向：一是根据对说话人的依赖程度可以分为特定人和非特定人语音识别系统；二是根据词汇量大小，可以分为小词汇量、中等词汇量、大词汇量，以及无限词汇量语音识别系统。 不同的语音识别系统，尽管设计和实现的细节不同，但所采用的基本技术是相似的。一个典型的语音识别系统如下页图所示。主要包括预处理、特征提取和训练识别网络。 ;输入;10.1.1 预处理;抗混叠滤波;预加重;2．端点检测; (1) 短时平均幅度 端点检测中需要计算信号的短时能量，由于短时能量的计算涉及到平方运算，而平方运算势必扩大了振幅不等的任何相邻取样值之间的幅度差别，这就给窗的宽度选择带来了困难，而用短时平均幅度来表示语音能量，在一定程度上可以克服这个弊端。; (2) 短时平均过零率 当离散信号的相邻两个取样值具有不同的符号时，便出现过零现象，单位时间内过零的次数叫做过零率。 如果离散时间信号的包络是窄带信号，那么过零率可以比较准确的反应该信号的频率。在宽带信号情况下，过零率只能粗略的反映信号的频谱特性。;10.1.2 语音识别特征提取; 孤立词语音识别系统的特征提取一般需要解决两个问题： 一个是从语音信号中提取(或测量)有代表性的合适的特征参数(即选取有用的信号表示)； 另一个是进行适当的数据压缩。 对于非特定人语音识别来讲，希望特征参数尽可能多的反映语义信息，尽量减少说话人的个人信息(对特定人语音识别来讲，则相反)。从信息论角度讲，这也是信息压缩的过程。; 语音信号的特征主要有时域和频域两种。 时域特征：短时平均能量、短时平均过零率、共振峰、基音周期等； 频域特征：线性预测系数(LPC)、LP倒谱系数(LPCC)、线谱对参数(LSP)、短时频谱、Mel频率倒谱系数(MFCC)等。 目前已有结合时间和频率的特征，即时频谱，充分利用了语音信号的时序信息；以及基于听觉模型的特征参数提取，如感知线性预测(PLP)分析。; 1．线性预测系数（LPC）; 根据语音产生的模型，语音信号S(z)是一个线性非移变因果稳定系统V(z)受到信号E(z)激励产生的输出。在时域中，语音信号s(n)是该系统的单位取样响应v(n)和激励信号e(n)的卷积。语音产生的声道模型是一个可用下式阐述的全极点模型： ; 根据最小均方误差对该模型参数ak进行估计，就得到了线性预测编码(LPC)算法，求得的 即为LP系数(p为预测器阶数)。对LPC的计算方法有自相关法(Levinson-Durbin莱文逊-杜宾法)、协方差法、格型法等。计算上的快速有效保证了这一声学特征的广泛使用。; 2．LPC倒谱系数(LPCC); 3．Mel频率倒谱系数(MFCC); 这