人的發(fā)聲器官可以分為兩個部 分，即聲道和聲帶。如果直接讓機器人理解我們說的話，難度比較大，將人類語 言轉(zhuǎn)化為機器人可以理解識別的信號，就是一個很好的途徑。如果將整個過程看 為一個信號過程的話，聲帶是發(fā)生源，聲道相當(dāng)于一個諧振時的聲帶振動，可用 一個脈沖串發(fā)生器代替。發(fā)一些有聲帶振動的音時，可用一個脈沖串發(fā)生器代 替。發(fā)一些無振音的時候，因為聲帶并不振動，而是從喉管發(fā)出的，只是一般的 隨機氣流，可以用一個噪聲發(fā)生器代替。上文介紹過，聲音的強弱是變化的，用 一個增益因子K 來表示的話

通過上面的辦法，我們可以把語音信號轉(zhuǎn)化為機器人能夠理解的電信號， 那么機器人又要怎樣去理解呢?

由于人類的語言非常復(fù)雜，無論哪個民族，其詞匯量都非常大，即使是同一個 人，他的發(fā)音也隨著環(huán)境及身體情況的變化而變化。目前在大詞匯語音識別方面處 于L先地位的IBM 語音研究小組，就是在70年代開始了大詞匯語音識別研究工作 的 。AT&A 的貝爾研究所也開始了一系列有關(guān)非特定人語音識別的實驗。這一研究 歷經(jīng)10年，其成果是確立了如何制作用于非特定人語音識別的標(biāo)準(zhǔn)模板的方法。

關(guān)于語音識別，表4-1介紹了三種主要模式。

頻譜圖法

將語音信號的頻譜沿著時間軸加以展開，制成頻譜圖。此法是取語音信號的頻率 特性作為比較基礎(chǔ)。此種方法識別精度一般，適用于對少量語音的識別，及對特定 人說話的場合

LPC法

即線性預(yù)估編碼法，此法是對語音信號抽取LPC系數(shù)，然后與參考樣板的LPC系 數(shù)加以比較，計算出其間的“差距”。LPC法是模擬人的發(fā)音器官構(gòu)造而設(shè)計的。因 此，LPC系數(shù)就代表發(fā)音器官腔調(diào)的不同狀態(tài)。此法也用于特定人的語音識別

隱藏式馬可夫模式

此法可用于非特定人的語音識別。即要識別不同人的發(fā)音，并且對同一個人發(fā)同一 個音，每次發(fā)音也未必一致。這需要有大量的“儲存”與“比較”。此法是采用“統(tǒng) 籌”的理論，建立語音的狀態(tài)轉(zhuǎn)移模式。經(jīng)大量的語音資料得出模式的“概率”,選 出“相似率”Z高者

語音識別系統(tǒng)的模型通常由聲學(xué)模型和語言模型兩部分組成，分別對應(yīng)于 語音到音節(jié)概率的計算和音節(jié)到字概率的計算。在聲學(xué)模型方面，我們介紹一下 HMM 聲學(xué)模型。

HMM 聲學(xué)建模：馬爾可夫模型的概念是一個離散時域有限狀態(tài)自動機，隱 馬爾可夫模型HMM 是指這一馬爾可夫模型的內(nèi)部狀態(tài)外界不可見，外界只能看 到各個時刻的輸出值。對語音識別系統(tǒng)，輸出值通常就是從各個幀計算而得的聲 學(xué)特征。用HMM 刻畫語音信號需作出兩個假設(shè)，一是內(nèi)部狀態(tài)的轉(zhuǎn)移只與上一 狀態(tài)有關(guān)，另一是輸出值只與當(dāng)前狀態(tài)(或當(dāng)前的狀態(tài)轉(zhuǎn)移)有關(guān)，這兩個假設(shè) 大大降低了模型的復(fù)雜度。HMM 的打分、解碼和訓(xùn)練相應(yīng)的算法是前向算法、 Viterbi算法和前向后向算法。

總的來說，語音識別技術(shù)就是讓機器通過識別和理解過程把語音信號轉(zhuǎn)變 為相應(yīng)的文本或命令的高技術(shù)，其技術(shù)流程圖如圖4-17所示。語音識別技術(shù)主 要包括特征提取技術(shù)、模式匹配準(zhǔn)則及模型訓(xùn)練技術(shù)三個方面。語音識別技術(shù)車 聯(lián)網(wǎng)也得到了充分的引用，例如在翼卡車聯(lián)網(wǎng)中，只需按照一鍵通客服人員口述 要求即可設(shè)置目的地直接導(dǎo)航，安全、便捷。語音識別技術(shù)正朝著能識別任意人 發(fā)音的方向發(fā)展。