语音信号处理_语音信号处理图片
1。概述
——语音作为最自然的人机交互方式，正在改变着人们的生活，丰富着多媒体技术的应用。语音识别技术是语音信号处理的一个重要分支，也是近年来的研究热点。随着科学技术的飞速发展，语音识别不仅广泛应用于台式PC和大型工作站，在嵌入式系统中也有一席之地，如智能家居、语音助手、车载语音识别系统等。相信在不久的将来，语音识别技术一定会渗透到人们生活的各个角落。
2.语音识别系统的分类
语音识别根据说话人的说话风格可以分为孤立词识别、连接词识别和连续语音识别。孤立词识别是指说话人一次只说一个词或短语，每个词或短语都被算作词汇表中的一个条目，一般用于语音电话拨号系统。连接语音识别支持一个小的语法网络，内部形成一个状态机，可以实现对简单家用电器的控制，而复杂的连接语音识别系统可以用于电话语音查询、航空订票等系统。连续语音识别指的是说话人日常自然的发音，通常被称为语音输入的听写机。
从识别对象的类型来看，语音识别可分为SpeakerDependent语音识别和Speaker Independent语音识别。特定人是指只对一个用户进行语音识别，而非特定人可以对不同的用户使用。
从公认的词汇量大小来看，可分为小词汇量(100字以内)、中词汇量(100~500字)和大词汇量(500字以上)。
独立大词汇量连续语音识别是近年来研究的重点和难点。目前，连续语音识别大多基于HMM(隐马尔可夫模型)框架，并引入声学和语言学知识对该框架进行改进。它的硬件平台通常是功能强大的工作站或PC。
三。语音识别原理
语音识别是对麦克风输入的语音信号进行分析和理解，并转换成相应的文本或命令。
一个完整的语音识别系统主要包括三个部分：
- 语音特征提取(前端处理部分):目的是滤除各种干扰成分，从语音波形中提取出能够代表语音内容随时间变化的特征向量序列。
- 声学模型和模式匹配(识别算法):声学模型通常是通过训练从获取的语音特征中生成的，目的是为每个发音建立一个发音模板。在识别中，将输入的语音特征与声学模型进行匹配和比较，以获得最佳的识别结果。
- 语义理解(后处理):计算机对识别结果进行语义和语法分析，理解发音的含义从而做出相应的反应，通常通过语言模型来实现。
语音识别的原理如下图所示：
待识别的语音通过麦克风转换成电信号后加入到识别系统的输入端。预处理后，提取语音特征，用反映语音信号特征的几个参数来表示原始语音。常用的语音特征包括线性预测系数(LPC)、线性预测倒谱系数(LPCC)、梅尔谱系数(MFCC)等。
接下来分为两个阶段：训练阶段和认可阶段。
- 在训练阶段，对以特征参数形式表达的语音信号进行相应处理，得到代表所识别的基本单元共同特征的标准数据，用于形成参考模板，将所有可识别的基本单元的参考模板组合在一起，形成参考模式库；
- 在识别阶段，待识别的语音信号经过特征提取后，按照一定的原理与参考模式库中的每个模板一一匹配，找到最相似的参考模板对应的发音，即为识别结果。
最后是语音处理，涉及语法分析、语音理解、语义网络等。
在语音识别过程中 语音识别中使用的模式匹配方法主要有动态时间扭曲(DTW)、隐马尔可夫模型(HMM)和人工神经网络(ANN)。
4.难点
识别率是衡量语音识别系统性能的重要指标。在实际应用中，识别率主要受以下因素影响：
- 对于汉语语音识别，方言或口音会降低识别率；
- 背景噪音。公共场所的强噪声对识别效果影响很大。即使在实验室环境中，敲击键盘和移动麦克风也会成为背景噪音。
- “英语口语”问题。它涉及自然语言理解和声学。语音识别技术的最终目标是让用户像“人与人的对话”一样自然。然而，一旦用户通过与人交谈的方式输入语音，口语中语法不规则、语序异常的特点会给语义分析和理解带来困难。
- 此外，识别率还与说话人的性别、说话时间等有关。
- 实时性是衡量语音识别系统性能的另一个指标。对于具有高速计算能力和大容量内存的PC，基本可以满足实时性要求。对于资源有限的嵌入式系统，实时性很难得到保证。
：href="//" target=" _ blank " title=" id=" back hohucom " style=" white-space : nowrap；"
