人工智能应用基础 课件 第五章 语音技术.pptx

语音技术

学习目标了解语音信号处理的发展历程及其在现代社会中的广泛应用，对语音信号的基本概念有初步的认识。熟悉语音信号的基础知识，包括语音的产生机制、信号特征及其表示方法。同时，学习者将深入理解语音信号预处理、时域分析和频域分析的基本原理和方法，以及这些技术在语音信号处理中的应用。运用所学知识，独立完成语音读取与播放、语音识别、语音合成以及语音情感分析等任务，从而提升自身的实践能力和创新能力。

学习导览

目录01语音技术发展历程02语音信号处理基础知识03语音信号处理核心技术04语音技术项目实例

01语音技术发展历程

技术萌芽期（1952–1980）1952年，ATT贝尔实验室成功开发出世界上首个语音识别系统Audry，它能够识别10个英文数字发音，这一开创性成果标志着智能语音技术的起步，为后续的语音识别研究奠定了基石。首个语音识别系统Audry诞生进入20世纪60年代，研究者们逐步探索了语音信号的处理方法，包括声音信号的音频采集、信号处理、特征提取等，为语音信号处理技术的发展提供了方法基础。语音信号处理方法探索

技术萌芽期（1952–1980）在这一时期，语音合成的参数合成法逐渐成熟，能够生成较为自然的语音，推动了语音合成技术的发展。语音合成参数合成法成熟基于有限自动机和正则匹配理论的文字处理技术开始出现，为后续的自然语言处理奠定了基础。文字处理技术出现

起步期（1980-2011年）

20世纪80年代，算法模型和微电子技术快速发展，语音识别取得突破性进展。隐马尔可夫模型（HMM）逐渐成熟并完善，成为语音识别主流方法。语音识别技术从孤立词识别系统向大词汇量连续语音识别系统发展。21世纪初，IBMViaVoice系统、DragonDictate系统等具有代表性的语音识别产品问世，具备更好自适应性，能提高识别准确率，神经网络在语音识别中的应用进一步提升性能。

变革式发展期（2011-2019年）2011年，微软研究院将深度神经网络（DNN）技术应用于大词汇量连续语音识别任务，极大地降低了语音识别错误率，标志着语音识别技术进入了深度学习时代。深度神经网络（DNN）应用01以连续词向量、循环神经网络语言模型为代表的一系列深度学习技术进一步推动了自然语言处理技术的发展，复杂场景下的自然语言处理性能显著改善。深度学习技术推动自然语言处理02端到端的语音识别技术开始兴起，进一步简化了语音识别流程并提高了识别效率，使得语音识别的准确率大幅提高。端到端语音识别技术兴起03

广泛应用期（2019年至今）随着技术的不断成熟和应用场景的不断拓展，语音技术已经广泛应用于智能家居、智慧驾驶、智能办公等多个领域。端到端的语音识别技术进一步提高了识别准确率。大数据驱动的预训练语言模型的出现使得自然语言处理技术又上了一个台阶。人工智能语音语言市场的产业链逐渐完善，可依据关键技术拆分为六大环节：音频采集与信号处理、语音识别、语义理解、对话管理、知识图谱和语音合成。

02语音信号处理基础知识

语音产生机制与物理属性语音是通过发音器官在大脑控制下的生理运动产生的。这些发音器官包括肺、气管、喉（含声带）、咽、鼻和口等，如图所示。它们共同构成了一条形状复杂的管道，其中喉部以上的部分被称为声道，其形状会根据发出的声音而变化；喉部本身则被称为声门。在这些发音器官中，肺和气管为整个系统提供能源，喉是声音的主要生成部位，而声道则对生成的声音进行调制。

语音产生机制与物理属性声带振动原理说话时，肺部呼出的气流冲击声带产生振动。喉部的声带既是阀门又是振动部件，两声带之间的空间称为声门。0102基频的决定作用声带的振动频率被称为基频，基频决定了声音音调的高低，基频快则音调高，基频慢则音调低，其范围通常为80-500Hz。03浊音与清音的区分当声音由声带振动产生时，称之为浊音；未通过声带振动产生的声音则被称为清音。所有元音以及部分辅音为浊音，其余辅音构成清音。

语音信号的特征–语音基本参数或称音量、响度，表征声音的强弱程度，其大小取决于声波振动的幅度。音强音调反映了声音的高低，这一特性由声波的频率决定；频率高则音调亦高，反之则低。音调音质是区分一种声音与另一种声音的根本特征。音质除了三大基本参数外，另外还有音长，它指的是声音持续的时间长度。除了这些基本属性之外，语音还承载着历史发展中形成的意义，不仅能够表达特定的意义和思想内容，还能传达特定的语气和情感，乃至许多言外之意。因此，语音的信息含量极为丰富。

语音信号的特征–语音时域特性在语音信号处理领域，时域特性是理解语音波形随时间变化的基础。语音信号的时域特性主要反映了声音波形的振幅、相位以及它们随时间的变化规律。分析一段语句