语音搜索的基础-语音识别

一直在想，假如有一天我们生活中的机器人像在很多科幻电影里面看到的那样，能够理解人类的语言，并能完成与人类的自然对话，是多爽的事情。语音的研究一直在试图解决这个问题。例如，语音到文字，即通常所说的语音识别，就试图将语音转换为文字，然后交给计算机进行后续的理解；而文字到语音，即语音合成，则试图将文字转换为声音，让人类可以听到。也许通过全世界语音界的科研和工程人员的努力，在不久的将来，我们真的可以和机器进行自由的对话（其实我一直很期待这一天的到来）。

　　语音识别有狭义的概念和广义的概念两种。狭义的语音识别，就是语音到文字的转换，即人对着机器说一句话，机器将其翻译为其对应的文字内容。而广义的语音识别，则包含了狭义的语音识别，并且也包含了哼唱搜索，说话人识别，说话人确认等等的技术领域。百度在9月初的时候，曾经推出过一个实验性的哼唱搜索功能，运气比较好的网友可能已经哼唱搜索有感性的认识了。实际上哼唱搜索，就是指我们在计算机或者某些设备前哼唱了某段歌曲，然后计算机根据哼唱的内容找到其对应的歌曲的功能。而说话人识别，则是利用人说的语音来识别人的身份。说话人确认则是根据人说的话确认此人所声称的身份。

　　语音识别经过几十年的发展，并伴随着计算机硬件的高速发展，已经从最初的只能识别若干个数字，发展到可以识别大词汇量，连续语音，并且说话人无关的语音识别技术。由于互联网和移动互联网发展的驱动，世界各大的互联网公司，手机厂商都在进行语音识别的应用，推出语音搜索，语音拨号，语音输入法等等的应用产品。可以说，语音识别已经迎来了新一轮的发展高潮。

　　按照识别的形式看，语音识别大体都可以划为孤立词识别，带语法规则的连接词识别，以及连续语音识别。孤立词识别，指的是每次只能说一个词或者一小段固定的话，并且在其配置的词表外的词，全部都不能识别。而连接词识别，则可以识别根据其配置规则生成的句子，比如“请 呼叫 ×××”。连续语音识别，则可以认为能识别任意词搭配的短句，或者完整的句子。按照说话人是否有关来分，则分为说话人相关的语音识别和说话人无关的语音识别。从总体上看，限制条件越少，其难度越大。

　　限于当前技术的发展水平，计算机并不能凭空识别语音，而是需要相当多的知识源。按照识别的形式看，语音识别大体都可以划为孤立词识别，带语法规则的连接词识别，以及连续语音识别。拿连续语音识别来说，需要描述语音发音特性的知识源，也需要描述人类语言搭配习惯的知识源。具体说，就是需要对人类语音的发音单元进行建模并估计出其相关参数，由此得到描述发音单元的模型，简称声学模型。而描述人类语言搭配的知识源，则可以是人工总结和构造的某些规则，也可以是从大量的文本资料统计出来的参数。当前连续语音识别中使用比较多的是从文本资料统计出来的n元文法模型，即常说的ngram语言模型。这种模型假设第N个词出现的概率，只和其前面的N-1个词有关。声学模型和语言模型是语音识别中最重要的两个知识源，而根据声学模型发音单元选择的不同，，可能需要一个从发音单元到词的对照表，比如我们选择的是声母和韵母作为建模单元，则需要知道某个字或某个词是由哪些声韵母组合的，我们一般把这个对照表成为发音字典。

　　再说说中文语音识别的一些与英文识别不同的难点。虽然语音识别是从西方国家起源的，但是随着语音识别学者对中文语音识别的研究的深入，当前我们已经可以看到中文的语音识别产品，包括百度的语音搜索，以及智能手机中内嵌的语音识别产品等等，都是对此很好的说明（我们需要感谢前辈们做出的贡献）。但是中文识别和英文毕竟是不同的，感谢我们的祖先，中文词汇是封闭的，即任何词都可以用字来组成，这给中文识别提供了方便，使得中文识别不像英文那样，只要没在发音词典中配置的词都不能识别。不过这同时也给我们带来一定的麻烦，使得我们做语言模型的时候选择其词集合相当困难。想象中，使用所有的单字即可，可惜的是，我们的实验告诉我们，使用单字的识别率不高，所以词典选择很重要。另外，由于中文是由字组成的，所以识别过程中使用的一些技术对中文不太好用，甚至会导致错误，这个问题可以以后再慢慢探讨。还有就是中文的方言实在是太丰富了，这使得我们做语音识别系统的时候倍感困难，其原因就是尽管我们可以做到说话人无关，但是由于声学模型却是和方言发音直接相关的。不过我相信，这些困难我们都可以克服，并且希望在不久的将来，全国人民都能用上我们的语音识别产品。

　　技术是为了方便人类生活和工作的，语音技术也不例外，所有需要文字输入，但是不能让人方便使用的地方，都是语音识别技术未来应用的地方，比如手机，比如对不习惯使用键盘的人群等等。此外，语音识别除了作为输入外，还可以在呼叫中心，语音翻译等等地方得到广泛的应用。

　　让我们一起迎接语音识别光明的未来吧。

By liangweiwen