语音识别研究综述①.docxVIP

? ? 语音识别研究综述① ? ? 马 晗,唐柔冰,张 义,张巧灵 (浙江理工大学 信息学院,杭州 310018) 语言是人类最原始直接的一种交流方式,通俗易懂、便于理解.随着科技的发展,语言交流不再只存在于人与人之间,如何让机器“听懂”人类的语言并做出反应成为人工智能的重要课题,语音智能交互技术应运而生.作为其中重要一环的语音识别技术近年来不断发展,走出了实验室,随着人工智能进入人们的日常生活中.当今市场上语音识别技术相关的软件、商品涉及人类生活的方方面面,语音识别的实用性已经得到充分的印证.如今语音识别技术已经成为人类社会智能化的关键一步,能够极大提高人们生活的便捷度. 1 语音识别技术的发展历程 语音识别技术始于20世纪50年代,贝尔实验室研发了10 个孤立数字的语音识别系统,此后,语音识别相关研究大致经历了3 个发展阶段.第1 阶段,从20世纪50年代到90年代,语音识别仍处于探索阶段.这一阶段主要通过模板匹配—即将待识别的语音特征与训练中的模板进行匹配—进行语音识别.典型的方法包括动态时间规整(dynamic time warping,DTW)技术和矢量量化(vector quantification,VQ).DTW 依靠动态规划(dynamic programming,DP)技术解决了语音输入输出不定长的问题;VQ 则是对词库中的字、词等单元形成矢量量化的码本作为模板,再用输入的语音特征矢量与模板进行匹配.总体而言,这一阶段主要实现了小词汇量、孤立词的语音识别.20世纪80年代至21世纪初为第2 阶段,这一阶段的语音识别主要以隐马尔科夫模型(hidden Markov model,HMM)为基础的概率统计模型为主,识别的准确率和稳定性都得到极大提升.该阶段的经典成果包括1990年李开复等研发的SPHINX 系统[1],该系统以GMM-HMM (Gaussian mixture model-hidden Markov model)为核心框架,是有史以来第一个高性能的非特定人、大词汇量、连续语音识别系统.GMM-HMM 结构在相当长时间内一直占据语音识别系统的主流地位,并且至今仍然是学习、理解语音识别技术的基石.此外,剑桥推出了以HMM为基础的语音识别工具包HTK (hidden Markov model toolkit)[2].21世纪至今是语音识别的第3 阶段.这一阶段的语音识别建立在深度学习基础上,得益于神经网络对非线性模型和大数据的处理能力,取得了大量成果.2009年Mohamed 等[3]提出深度置信网络(deep belief network,DBN)与HMM 相结合的声学模型在小词汇量连续语音识别中取得成功.2012年深度神经网络与HMM 相结合的声学模型DNN-HMM 在大词汇量连续语音识别(large vocabulary continuous speech recognition,LVCSR)中取得成功[4],掀起利用深度学习进行语音识别的浪潮.此后,以卷积神经网络(convolutional neural network,CNN)、循环神经网络(recurrent neural network,RNN)等常见网络为基础的混合识别系统和端到端识别系统都获得了不错的识别结果和系统稳定性.迄今为止,以神经网络为基础的语音识别系统仍旧是国内外学者的研究热点. 我国的语音识别则起步于国家的“863 计划”和“973 计划”,中科院声学所等研究所以及顶尖高校尝试实现长时语音的汉语识别工作,如今中文语音识别技术已经达到了国际水准.2015年清华大学建立了第一个开源的中文语音数据库THCHS-30[5].2016年上海交通大学提出的非常深卷积网络(very deep convolutional neural networks,VDCNN)[6]提高了噪声语音识别的性能,并在此基础上进一步提出了非常深卷积残差网络(very deep convolutional residual network,VDCRN)[7].百度于2014年、2016年依次推出了DeepSpeech[8]及其改进版本[9],并在2017年提出Cold Fusion[10]以便于更好地利用语言学信息进行语音识别,该系统以LSTMCTC (long short-term memory-connectionist temporal classification)的端到端模型为基础,在不同的噪声环境下实现了英语和普通话的语音识别.2018年科大讯飞提出的深度全序列卷积神经网络(deep full-sequence convolution neural networks,DFCNN)[11]直接对语音信号进行建模,该模型采用的大量叠加卷积层能够