基于HMM的语音识别技术的研究-计算机应用技术专业论文.docxVIP

和我们研究它的意义所在。 本文主要是基于隐马尔可夫模型的语音识别技术的研究，在对单 一模型的语 音识别技术的研究基础上，尝试了基于隐马尔可夫模型与人工神经网络混合模型 的语音识别技术，并与单一模型相比较，得出了较为理想的结论，为语音识别技 术的发展探索出了一条新的研究道路。 1.2 语音识别技术的发展和现状 自从ENIAC 问世之后 ，马上有人想到要让计算机昕懂人说话，并开始了这方 面的研究工作。所以说，语音识别的研究历史与计算机的发展历史 一样长。计算 机的发展己历经了从电子管到晶体管以至超大规模集成电路的好几代，单板机的 CPU就从早期的4{刷发展到今天的奔腾 N代，涌入了普通家庭，己与我们的数字化 生活密不可分。但是，与计算机同步发展的语音识别技术似乎并不遵循摩尔规律， 它的产品也迟迟未能进入市场。时至今日，语音技术产品的市场日益升温，语音 识别技术己经成为计算机进一步在亿万百姓中普及的关键技术，也必将成为信息 产业的标志性技术和未来计算机的重要特征。 语音识别技术的研究与发展举步维艰。在 50年代以前，由于计算机的计算能 力不够强，有关语音信号处理方面的理论都处于比较低的水平，有关语音识别的 研究工作未能形成规模。而对这 一课题开展大规模研究是在 60年代末和70年代初。 尽管初期的研究常常未能达到预期的目标，却使人们认识到了语音识别研究的艰 巨性。像计算机的许多关键性技术 一样， IBM也做了语音识别的开创性的 工作。 1972 年， IBM成立了一个专门小组从事计算机语音识别技术的开发。开发初期，一页纸 的词汇需要整整一个房间的计算机同时处理，而且这些词汇必须是由 一个特定的 人非连续地读出。 IBM在所有语音识别技术关键性领域的研究均获得了成果，包括 (1)识别语音特征:语音符 号首先被数字化 ，并根据经过抽取和导向的语音频率、 力 度等特征被分割成每百分之 一秒的时间点。包含导向成分的数字化的信息是增强 识别能力所必须的。 (2)语音模型:技术人员根据语言的基础语音元素对真实声音的 录音进行分析、分类和分级，研制成能使 一组特定人员的动态语音形式特征化的 统计模型.语音上特征明显的语言或方言的识别要求特征明显的语音模型。 (3)统 计语言模型:语言使用类型特征化的统计模型是建立在大量实体的收集的基础上 的，为了更好地识别同)种语言的不同使用方法，需要不同的语言模型 。(4)规则 发展:除了建立语音和语言模型的基础的规则，还需要各种各样的规则去概括和研 究潜在的词汇序列，通过组合相应的语音和语 言模型统计来衡量每个侯选序列的 可能性，并且选择最有可能的一个，该方法被证实在有效地缩小研究范围和改善 极端复杂的正确的词汇序列研究过程方面是具有核心意义的。正是因为这种规则 的发展，实时识别大量词汇、连续的速度才成为可能. 可以说，研究的最大的成果是 80年代初R.Rabiner和F.Jelinek等人将隐马尔可夫 模型(Hidden Markov Model，HMM)引入语音识别中。他们把 HMM 与矢量量化 (Vector Quantization， VQ)结合起来，用于与说话人无关的孤立词识别，并取得成功。 HMM 语音识别模型和算法以及动态规划模板匹配技术 (又称动态时间归整 Dynamic Time Warping，DTW)己成为 当今国际上的主流技术。 1996年9月， Charl臼Schwab开通了首个大规模商用语音识别应用系统:股票报 价系统。该系统有效地提高了服务质量和客户满意度，并减少了呼叫中心的费用。 美国主要电信运营商 Sprint的PCS部门以卓越和有创新的客户服务著称。自 2000年来为客户开通了语音驱动系统，提供客户服务、语音拨号、查号和更改地 址等业务。 2001年9月开通的可以自然方式对话的咨询系统，更实现了以自然、开 放的询问方式实时获得所需要的信息。 Bell Canada，加拿大最大的电信运营商，也 拥有多个语音驱动系统，提供从客户服务，增值业务和资讯服务多种功能。这些 系统不但减少了用户的投诉也为无线网络服务增值，增强了客户的忠诚度并开辟 了新的收入来源。 仔细分析这些案例不难发现， 一个成功的语音应用首先是基于详细准确的用 户需求调查。只有详细了解客户需求，才能根据需要选用不同类型的产品。目前 市场上的语音识别产品基本可分为: 特定人/非特定人:是按照声学模型建立的方式来划分。特定人识别的声学 模型是针对某一特定用户训练的。-般来说用户需要先训练系统，然后才能识别 该用户的发音。而非特定人识别的声学模型是针对某一种特定的语言来训练的， 发音人不需要训练既可使用。虽然在建立模型时需要大量的语料，对用户来说却 提供了更大方便 ，他们甚至不需要