【安防知識(shí)網(wǎng)】大家知道，在現(xiàn)代的信息社會(huì)里，信息的載體有語(yǔ)言文字、聲音、圖像以及影視等等。但信息的主要載體是語(yǔ)言及文字，它傳遞的信息占全部信息量的80%以上。因此應(yīng)用計(jì)算機(jī)對(duì)語(yǔ)言文字進(jìn)行處理，以更充分地利用信息資源具有十分重要的意義。由于語(yǔ)言現(xiàn)象所特有的多樣性、不確定性和模糊性，語(yǔ)言信息處理，特別是自然語(yǔ)言的識(shí)別、理解和生成的研究，一直是而且至今還是最具有挑戰(zhàn)性的一個(gè)學(xué)術(shù)領(lǐng)域，因而對(duì)聲音識(shí)別技術(shù)的研究，具有重要的學(xué)術(shù)意義與社會(huì)意義。

　　聲音識(shí)別技術(shù)就是讓機(jī)器通過(guò)識(shí)別和理解把聲音信號(hào)轉(zhuǎn)變?yōu)橄鄳?yīng)的文本或命令的高技術(shù)。構(gòu)成聲音的獨(dú)特性原因與發(fā)聲的生理原因有關(guān)。人的語(yǔ)言產(chǎn)生是人體語(yǔ)言中樞與發(fā)音器官之間一個(gè)復(fù)雜的生理物理過(guò)程，身體在講話時(shí)使用的器官，如舌、牙齒、喉頭、肺、鼻腔等，在尺寸和形態(tài)方面每個(gè)人的差異很大，所以任何兩個(gè)人的聲紋圖譜都有差異。所謂聲紋，就是用電聲學(xué)儀器顯示的攜帶言語(yǔ)信息的聲波頻譜。發(fā)聲的原動(dòng)力是呼吸產(chǎn)生的氣流，我們說(shuō)話時(shí)用從肺呼出來(lái)的氣流，經(jīng)過(guò)支氣管、氣管后，在喉下的聲腔增加壓力，沖出聲門，再由喉、鼻共鳴，并由舌、齒、唇等的位置和形狀的變化改變音調(diào)。

　　此外，每個(gè)人的發(fā)音器官發(fā)出的清晰聲音并非天生，而是經(jīng)由不斷學(xué)習(xí)改變錯(cuò)誤而形成。兩人以同樣方式運(yùn)用其發(fā)音器官是微乎其微的，因此每個(gè)人發(fā)出聲音各不相同，即使是克隆人也會(huì)有所不同。

　　每個(gè)人的語(yǔ)音聲學(xué)特征既有相對(duì)穩(wěn)定性，又有變異性，不是絕對(duì)的、一成不變的。這種變異可來(lái)自生理、病理、心理、模擬、偽裝，也與環(huán)境干擾有關(guān)。盡管如此，在一般情況下，聲紋的鑒定仍能區(qū)別不同的人或法定是同一人的聲音，從而可以進(jìn)行個(gè)人的身份識(shí)別。

　　語(yǔ)音是最方便、快捷、自然的人際交流手段，采用語(yǔ)音作為人與計(jì)算機(jī)交互的手段，使計(jì)算機(jī)能像人一樣，具有聽、說(shuō)和理解能力，這是人們長(zhǎng)期以來(lái)夢(mèng)寐以求的事情。近二十年來(lái)，聲音識(shí)別技術(shù)取得顯著進(jìn)步，開始從實(shí)驗(yàn)室走向市場(chǎng)。人們預(yù)計(jì)，未來(lái)10年內(nèi)，聲音識(shí)別技術(shù)將進(jìn)入工業(yè)、家電、通信、安全防范、汽車電子、醫(yī)療、家庭服務(wù)、消費(fèi)電子產(chǎn)品等各個(gè)領(lǐng)域。很多專家都認(rèn)為聲音識(shí)別技術(shù)是21世紀(jì)前10年將對(duì)人類生活方式產(chǎn)生重大影響的十大重要的科技發(fā)展技術(shù)之一。

　　下面介紹聲音識(shí)別系統(tǒng)的組成、原理、類型、優(yōu)缺點(diǎn)、制約其發(fā)展的關(guān)鍵，聲音識(shí)別在國(guó)內(nèi)與我所取得的成果以及在安防等方面的應(yīng)用等。

　　聲音識(shí)別系統(tǒng)的組成、原理及類型

　　組成與工作原理

　　聲音拾取設(shè)備(即麥克風(fēng))不斷地采集聲音信號(hào)，聲音識(shí)別設(shè)備不斷地測(cè)量、記錄聲音的波形和變化。實(shí)際上，聲音識(shí)別主要是基于將現(xiàn)場(chǎng)采集到的聲音同登記過(guò)的聲音模板進(jìn)行精確的匹配。其具體組成與工作原理框圖如圖1所示。

　　由圖1可知，人的聲音首先通過(guò)拾音器(即麥克風(fēng))拾取，特征參數(shù)提取單元檢索出表現(xiàn)聲音信號(hào)的聲學(xué)特殊參數(shù)，經(jīng)計(jì)算機(jī)聲學(xué)模型的處理，使之成為與聲音數(shù)據(jù)厙所貯存的聲紋圖譜相同的模式，然后用新采集的與貯存的聲音模板進(jìn)行對(duì)比識(shí)別，最后輸出識(shí)別的結(jié)果。

　　從框圖看，一個(gè)聲音識(shí)別系統(tǒng)需要很多單元組成，但硬件設(shè)備實(shí)際只有麥克風(fēng)與計(jì)算機(jī)兩部分。因?yàn)槁曇糇R(shí)別主要是計(jì)算機(jī)或者程序，接受和解釋口述或者理解并執(zhí)行語(yǔ)音命令的能力。對(duì)于計(jì)算機(jī)的使用，模擬音頻必須轉(zhuǎn)換成數(shù)字信號(hào)。這要求進(jìn)行模擬數(shù)字轉(zhuǎn)換。用計(jì)算機(jī)解釋信號(hào)，它必須要有一個(gè)數(shù)字?jǐn)?shù)據(jù)庫(kù)或者詞典，并拿它來(lái)與收到的信號(hào)作比較。語(yǔ)音元素存在硬盤上并在程序運(yùn)行的時(shí)候被加載到內(nèi)存里。比較程序?qū)z測(cè)存儲(chǔ)的元素和來(lái)自A/D轉(zhuǎn)換器的信號(hào)。

　　用計(jì)算機(jī)進(jìn)行聲音識(shí)別也是一個(gè)模式識(shí)別匹配的過(guò)程。在這個(gè)過(guò)程中，計(jì)算機(jī)首先要根據(jù)人的聲音特點(diǎn)建立聲音模型，對(duì)輸入的聲音信號(hào)進(jìn)行分析，并抽取所需的特征，在此基礎(chǔ)上建立聲音識(shí)別所需的模板。而計(jì)算機(jī)在識(shí)別過(guò)程中要根據(jù)聲音識(shí)別的整體模型，將計(jì)算機(jī)中存放的聲音模板與輸入的聲音信號(hào)的特征進(jìn)行比較，根據(jù)一定的搜索和匹配策略，找出一系列最優(yōu)的與輸入的聲音匹配的模板。然后，據(jù)此模板的定義，通過(guò)查表就可以給出計(jì)算機(jī)的識(shí)別結(jié)果。顯然，這種最優(yōu)的結(jié)果與特征的選擇、聲音模型及其好壞、模板是否準(zhǔn)確等都有直接的關(guān)系.

　　系統(tǒng)類型

　　聲音識(shí)別系統(tǒng)被分為文本相關(guān)和文本無(wú)關(guān)的兩類：

　　1、文本相關(guān)系統(tǒng)

　　文本相關(guān)系統(tǒng)要求使用者重復(fù)指定的話語(yǔ)，通常包含與訓(xùn)練信息相同的文本。文本相關(guān)的識(shí)別方法多采用動(dòng)態(tài)時(shí)間伸縮法或隱馬爾可夫模型法：動(dòng)態(tài)時(shí)間伸縮法使用瞬間的變動(dòng)倒頻，其倒頻譜的計(jì)算通常使用快速付立葉變換;隱馬爾可夫模型法使用較成熟，它運(yùn)用該模型測(cè)量頻譜特征的統(tǒng)計(jì)變量，應(yīng)用較多。

　　2、文本無(wú)關(guān)系統(tǒng)

　　文本無(wú)關(guān)系統(tǒng)則沒(méi)有文本相關(guān)系統(tǒng)那樣的限制，但不一致的環(huán)境造成的性能下降是其應(yīng)用中的障礙。文本無(wú)關(guān)系統(tǒng)的識(shí)別方法采用平均頻譜法、矢量量化法與多變量自回歸法：平均頻譜法使用有利的倒頻距離，用平均頻譜除去語(yǔ)音頻譜中的音位影響;矢量量化法是用一套短期訓(xùn)練的特征向量來(lái)直接描述聲音的本質(zhì)特征，但存貯和計(jì)算的量大，需尋找有效的方法來(lái)壓縮訓(xùn)練數(shù)據(jù);多變量自回歸法是在倒頻向量的時(shí)序中，用多變量自回歸模式來(lái)確定聲音特征，其效果較好。

　　[nextpage]聲音識(shí)別的優(yōu)缺點(diǎn)

　　1、聲音識(shí)別技術(shù)的優(yōu)點(diǎn)

　　·同面像識(shí)別與步態(tài)識(shí)別一樣，聲音識(shí)別也是一種非接觸的識(shí)別技術(shù);

　　·由于大多數(shù)的計(jì)算機(jī)都有聲卡和麥克風(fēng)，因而有廉價(jià)的硬件設(shè)備;

　　·聲音識(shí)別系統(tǒng)使用方便、簡(jiǎn)單，用戶易于接受;

　　·微型拾音器易于隱蔽，能方便用于竊聽，以鑒別是否罪犯等。

　　2、聲音識(shí)別技術(shù)的缺點(diǎn)

　　·聲音會(huì)隨著音量、速度和音質(zhì)的變化(如同一個(gè)人感冒、情緒壓力或青春期引起的變化)，而影響采集與比對(duì)的結(jié)果;

　　·和其他的行為識(shí)別技術(shù)一樣，聲音因?yàn)樽兓姆秶?，故而很難進(jìn)行一些精確的匹配，因而比指紋識(shí)別誤識(shí)率高;

　　·能偽造，如容易用錄在磁帶上的聲音欺騙聲音識(shí)別系統(tǒng)，所以安全可靠性較差;

　　·目前非常好的高保真的聲音采集裝置——麥克風(fēng)還比較昂貴。

　　制約聲音識(shí)別技術(shù)發(fā)展的關(guān)鍵

　　實(shí)際上，人們很早就認(rèn)識(shí)到聲音識(shí)別對(duì)于人類生活的重要性。如世界上第一臺(tái)計(jì)算機(jī)問(wèn)世之后，馬上就有人想到要讓計(jì)算機(jī)聽懂人說(shuō)話。因此可以說(shuō)，聲音識(shí)別的研究歷史與計(jì)算機(jī)的發(fā)展歷史一樣長(zhǎng)。而計(jì)算機(jī)的發(fā)展已經(jīng)經(jīng)歷了好幾代，今天已經(jīng)進(jìn)入到了普通家庭。但是，聲音識(shí)別方面的產(chǎn)品卻遲遲未能進(jìn)入市場(chǎng)。

　　一個(gè)聲音識(shí)別系統(tǒng)性能好壞的關(guān)鍵，首先是它所采用的聲音模型能否真實(shí)地反映聲音的物理變化規(guī)律。但聲音信號(hào)與人類的自然聲音都是隨機(jī)的、多變的和不穩(wěn)定的，因此很難把握，這就是目前聲音識(shí)別過(guò)程中的最大難點(diǎn)。

　　其次，模板訓(xùn)練的好壞也直接關(guān)系到聲音識(shí)別系統(tǒng)識(shí)別率的高低。為了得到一個(gè)好的模板，往往需要有大量的原始聲音數(shù)據(jù)來(lái)訓(xùn)練聲音模型。因此，在開始進(jìn)行聲音識(shí)別研究之前，首先要建立起一個(gè)龐大的聲音數(shù)據(jù)庫(kù)。一個(gè)好的聲音數(shù)據(jù)庫(kù)包括足夠數(shù)量、具有不同性別、年齡、口音的說(shuō)話人的聲音，并且必須要有代表性，能均衡地反映實(shí)際使用情況。

　　有了聲音數(shù)據(jù)庫(kù)及聲音特征，就可以建立聲音模型，并用聲音數(shù)據(jù)庫(kù)中的聲音來(lái)訓(xùn)練這個(gè)聲音模型。訓(xùn)練過(guò)程是指選擇系統(tǒng)的某種最佳狀態(tài)(如對(duì)聲音庫(kù)中的所有聲音有最好的識(shí)別率)，不斷地調(diào)整系統(tǒng)模型(或模板)的參數(shù)，使系統(tǒng)模型的性能不斷向這種最佳狀態(tài)逼近。這是一個(gè)復(fù)雜的過(guò)程，要求計(jì)算機(jī)有強(qiáng)大的計(jì)算能力，并有很強(qiáng)的理論指導(dǎo)，才能保證得到良好的訓(xùn)練結(jié)果。

　　實(shí)際上，制約聲音識(shí)別技術(shù)發(fā)展的關(guān)鍵是其依據(jù)的模型和算法，模型算法是計(jì)算機(jī)描述聲音的能力能否抓住人的聲音的本質(zhì)的關(guān)鍵。在聲音識(shí)別領(lǐng)域，固然有資金實(shí)力、人力資源等的競(jìng)爭(zhēng)，但最根本是其關(guān)鍵核心技術(shù)——模型和算法的競(jìng)爭(zhēng)。

　　在聲音識(shí)別應(yīng)用領(lǐng)域，有許多相關(guān)技術(shù)直接影響著客戶的最終體驗(yàn)，并關(guān)系到應(yīng)用系統(tǒng)的使用效果，也就是自動(dòng)化率(automation rate)，即系統(tǒng)毋須人工干預(yù)獨(dú)自完成的比例。例如端點(diǎn)檢測(cè)及相關(guān)問(wèn)題，噪音環(huán)境下的聲音處理，系統(tǒng)結(jié)構(gòu)，對(duì)口音的適應(yīng)性及聲音界面的設(shè)計(jì)，都是聲音識(shí)別整體應(yīng)用系統(tǒng)需要考慮的。

　　聲音識(shí)別在國(guó)內(nèi)所取得的成果

　　計(jì)算機(jī)自動(dòng)聲音識(shí)別就是讓計(jì)算機(jī)能聽懂人說(shuō)話。這一問(wèn)題曾經(jīng)被一位知名的美國(guó)教授稱之為是“比登月還難”的科學(xué)難題。其實(shí)，人們很早就認(rèn)識(shí)到聲音識(shí)別對(duì)于人類生活的重要性。世界上第一臺(tái)計(jì)算機(jī)問(wèn)世之后，馬上就有人想到要讓計(jì)算機(jī)聽懂人說(shuō)話。所以說(shuō)，聲音識(shí)別的研究歷史與計(jì)算機(jī)的發(fā)展歷史一樣長(zhǎng)。計(jì)算機(jī)的發(fā)展已經(jīng)經(jīng)歷了好幾代，今天已經(jīng)進(jìn)入到了普通家庭。但是，聲音識(shí)別方面的產(chǎn)品卻遲遲未能進(jìn)入市場(chǎng)。

　　我國(guó)聲音識(shí)別研究工作起步于五十年代，但近年來(lái)發(fā)展很快，研究水平也從實(shí)驗(yàn)室逐步走向?qū)嵱?。?987年開始執(zhí)行國(guó)家863計(jì)劃后，我國(guó)聲音識(shí)別技術(shù)的研究水平已經(jīng)基本上與國(guó)外同步，在漢語(yǔ)聲音識(shí)別技術(shù)上還有自己的特點(diǎn)與優(yōu)勢(shì)，并達(dá)到國(guó)際先進(jìn)水平。其中具有代表性的研究單位為清華大學(xué)電子工程系與中科院自動(dòng)化研究所模式識(shí)別國(guó)家重點(diǎn)實(shí)驗(yàn)室。

　　清華大學(xué)電子工程系語(yǔ)音技術(shù)與專用芯片設(shè)計(jì)課題組，研發(fā)的非特定人漢語(yǔ)數(shù)碼串連續(xù)語(yǔ)音識(shí)別系統(tǒng)的識(shí)別精度，達(dá)到94.8%(不定長(zhǎng)數(shù)字串)和96.8%(定長(zhǎng)數(shù)字串)。在有5%的拒識(shí)率情況下，系統(tǒng)識(shí)別率可以達(dá)到96.9%(不定長(zhǎng)數(shù)字串)和98.7%(定長(zhǎng)數(shù)字串)，這是目前國(guó)際最好的識(shí)別結(jié)果之一，其性能已經(jīng)接近實(shí)用水平。研發(fā)的5000詞郵包校核非特定人連續(xù)語(yǔ)音識(shí)別系統(tǒng)的識(shí)別率達(dá)到98.73%，前三選識(shí)別率達(dá)99.96%;并且可以識(shí)別普通話與四川話兩種語(yǔ)言，己基本達(dá)到實(shí)用要求。

　　國(guó)內(nèi)研發(fā)的第一塊語(yǔ)音識(shí)別專用芯片，以8位微控制器(MCU)為核心，加上低通濾波器、A/D、D/A、預(yù)放、功率放大器、RAM、ROM、脈寬調(diào)幅(PWM)等模塊，構(gòu)成了一個(gè)完整的系統(tǒng)芯片。這種芯片包括了語(yǔ)音識(shí)別、語(yǔ)音編碼、語(yǔ)音合成功能，可以識(shí)別30條特定人語(yǔ)音命令，識(shí)別率超過(guò)95%，其中的語(yǔ)音編碼速率為16kbits/s。因此，該芯片可以用于智能語(yǔ)音玩具;也可以與普通電話機(jī)相結(jié)合構(gòu)成語(yǔ)音撥號(hào)電話機(jī)。這些系統(tǒng)的識(shí)別性能完全達(dá)到國(guó)際先進(jìn)水平，一些應(yīng)用型產(chǎn)品正在研發(fā)中，其商品化的過(guò)程將越來(lái)越快。

　　由于一些微型機(jī)器，如手機(jī)、掌上電腦等體積較小，難以設(shè)計(jì)鍵盤輸入復(fù)雜指令，而語(yǔ)音識(shí)別恰能實(shí)現(xiàn)這一需求。但中文語(yǔ)音識(shí)別產(chǎn)品一直由外國(guó)大公司壟斷，中科院研究人員針對(duì)漢語(yǔ)聲調(diào)、口音和語(yǔ)言特性進(jìn)行了大量創(chuàng)新，攻克了語(yǔ)音識(shí)別領(lǐng)域最難的非特定人漢語(yǔ)6萬(wàn)詞連續(xù)語(yǔ)音技術(shù)。在同等測(cè)試條件下，中科院開發(fā)的這項(xiàng)技術(shù)在識(shí)別性能上優(yōu)于跨國(guó)公司公開發(fā)表的結(jié)果。其中文語(yǔ)音識(shí)別軟件，對(duì)普通話的識(shí)別率可達(dá)95%以上。具有自主知識(shí)產(chǎn)權(quán)的語(yǔ)音技術(shù)，一定會(huì)像漢字識(shí)別技術(shù)一樣不但在技術(shù)上取得成功，而且在產(chǎn)業(yè)化和市場(chǎng)化上取得突破，從而進(jìn)一步奠定中國(guó)在中文信息處理上的優(yōu)勢(shì)。

　　目前，自動(dòng)化所控股的中科模識(shí)科技有限責(zé)任公司，己同其他公司合作開發(fā)了基于中文語(yǔ)音識(shí)別技術(shù)的移動(dòng)電話語(yǔ)音交互系統(tǒng)、互聯(lián)網(wǎng)中文多模態(tài)交互平臺(tái)、智能家居聲控系統(tǒng)、電話股票查詢系統(tǒng)、電視機(jī)中文語(yǔ)音遙控器等。

　　盡管有關(guān)聲音識(shí)別技術(shù)的報(bào)道屢見(jiàn)不鮮，國(guó)內(nèi)外學(xué)者也為此作了不懈的努力，但目前聲音識(shí)別系統(tǒng)的識(shí)別率還比較低，現(xiàn)在均在進(jìn)行深化與實(shí)用化的研究。相信不久，會(huì)有比較好的實(shí)用產(chǎn)品出現(xiàn)。